人工智能预测量子优势

来自俄罗斯莫斯科物理与技术学院，瓦里耶夫物理与技术学院和圣彼得堡国立信息技术机械与光学大学的研究人员创建了一个人工智能神经网络，该神经网络通过“观察”原子来预测量子系统的行为。这个卷积神经网络（CNN）专为图学习而设计。它可以通过评估量子优势自主预测使用哪些网络解决方案。

在图形上，量子游走（一种构建量子算法的高级工具）与随机（经典）游走具有根本上的不同。在某些图中，量子游走比经典游走快。当速度更快时，量子行走可以实现量子算法应用和量子增强的能量转移。

但是，人们对于没有明确对称性的任意图的可能优点知之甚少。对于这些图形，需要对经典和量子行走动力学进行冗长的仿真，以检查是否发生了加速。本文开发的CNN观察了模拟示例，并了解了图形的哪些复杂特征带来了量子优势。因此，CNN无需执行量子游走或随机游走模拟，就能够识别出具有量子优势的图形。

人工智能寻找量子优势

创建量子计算机既昂贵又费时，并且不能保证最终的设备比传统计算机运行得更快。研究人员需要工具来预测给定的量子设备在制造之前是否具有量子优势。 CNN能够区分网络并确定给定的网络是否将提供量子优势，因此使其成为构建量子计算机的有用工具。

研究人员评估了他们的折线图和随机图方法，发现即使在最具挑战性的情况下，CNN的分类也总是比随机猜测更好。“我们目前已经成功地训练了计算机，实现了对复杂网络是否具有量子优势进行自主预测。” Leonid Fedichkin教授说。研究人员Alexey Melnikov表示：“我们研究的显著特征是计算机视觉，是否能够识别网络空间中的一条细线。”

量子游走描述得很好的其中一个过程是光敏蛋白（如视紫红质或叶绿素）的激发。蛋白质是一种复杂的分子，其结构类似于网络。解决一个形式上涉及发现从一个网络节点到另一个网络节点的量子行走时间的问题，可以揭示电子在分子中特定位置发生的移动，移动的位置以及引起的激发类型。

与基于量子位和门的体系结构相比，预计量子游走将为实现自然现象的量子计算提供更简便的方法。研究人员说，这样做的原因是游走本身是自然的物理过程。

这项研究目前已发表于New Journal of Physics (www.doi.org/10.1088/1367-2630/ab5c5e)。