Videnskabsmænd arbejder på at bringe kvante-computeregenskaber til klassiske computere

En gruppe videnskabsmænd fra Linköpings Universitet har kunnet demonstrere, hvordan en kvante-computer fungerer, og de har kunnet simulere egenskaberne i en klassisk computer.

“Vores resultater skal være meget betydningsfulde for at bestemme, hvordan man bygger en kvante-computer,” siger professor Jan-Åke Larsson.

Sverige, Europa og andre dele af verden har investeret store ressourcer og fokuseret forskning på at skabe superhurtige og kraftfulde kvante-computere. Inden for ti år forventes en svensk kvante-computer at blive bygget, og EU har betragtet kvante-teknologi som et af sine største projekter.

For tiden har vi kun få nyttige algoritmer, der kan bruges til kvante-computere. Selv om det er tilfældet, vil denne type teknologi være ekstremt vigtig i simulationer af biologiske, kemiske og fysiske systemer. Mange af disse er for komplekse for de kraftfuldeste computere, vi har i dag. I en computer kan en bit have værdien enten 1 eller 0, men en kvante-bit kan have alle værdier imellem. Dette betyder, at kvante-computere ikke behøver at udføre så mange operationer for hver beregning, der udføres.

Professor Jan-Åke Larsson og hans ph.d.-studerende Niklas Johansson fra Afdelingen for informationskoding ved Institut for elektroteknik, Linköpings Universitet, har opklaret meget af, hvorfor en kvante-computer er mere kraftfuld end en klassisk. De har også undersøgt, hvad der sker inden for en kvante-computer.

Resultaterne fra forskningen er blevet offentliggjort i det videnskabelige tidsskrift Entropy.

“Vi har vist, at den største forskel er, at kvante-computere har to grader af frihed for hver bit. Ved at simulere en ekstra grad af frihed i en klassisk computer, kan vi køre nogle af algoritmernes beregninger med samme hastighed som de ville opnå i en kvante-computer,” siger Jan-Åke Larsson.

Holdet har skabt et simulationsværktøj kaldet Quantum Simulation Logic, eller QSL. Det tillader dem at simulere kvante-computernes drift i en klassisk computer. Quantum Simulation Logic har en specifik egenskab, og det er den eneste egenskab, som en kvante-computer har, og en klassisk computer ikke har. Det er en ekstra grad af frihed for hver bit, der er en del af beregningen.

“Derfor har hver bit to grader af frihed: det kan sammenlignes med et mekanisk system, hvor hver del har to grader af frihed – position og hastighed. I dette tilfælde beskæftiger vi os med beregnings-bits – som bærer information om resultatet af funktionen, og fase-bits – som bærer information om funktionens struktur,” forklarer Jan-Åke Larsson.

QSL-værktøjet er blevet brugt af holdet til at studere nogle af de kvante-algoritmer, der er ansvarlige for at styre funktionens struktur. Mange af disse algoritmer er lige så hurtige i simulationerne som de ville være i en kvante-computer.

“Resultatet viser, at den højere hastighed i kvante-computere kommer fra deres evne til at gemme, behandle og hente information i en ekstra informationsbærende grad af frihed. Dette gør det muligt for os bedre at forstå, hvordan kvante-computere fungerer. Desuden skal denne viden gøre det lettere at bygge kvante-computere, da vi ved, hvilken egenskab der er mest vigtig for, at kvante-computeren fungerer, som den skal,” siger Jan-Åke Larsson.

Holdet har også bygget en fysisk version med elektroniske komponenter. De har brugt porte, der ligner dem i kvante-computere, og et værktøj simulerer, hvordan kvante-computeren fungerer. Dette kan tillade studerende og andre at simulere og forstå, hvordan kvante-kryptering og kvante-teleportation fungerer, blandt andet.

Denne nye forskning kan bidrage til den øgede overlap mellem kvante-computering og kunstig intelligens. En af disse overlap er funktionssammenligning. Anden forskning, udført af IBM Research, MIT og Oxford-forskere, har vist, at når kvante-computere bliver mere kraftfulde, vil de være i stand til at udføre funktionssammenligning på meget komplekse datastrukturer, noget klassiske computere ikke kan. Funktionssammenligning er vigtig inden for maskinlæring, og det kan føre til mere effektiv AI, der kan identificere mønstre i data, som klassiske computere ikke kan detektere.

Da der udføres mere og mere forskning i disse områder, vil der være stadig mere overlap mellem de to vigtige områder.