Forskere arbeider med å bringe kvante-datamaskinens egenskaper til klassiske datamaskiner

En gruppe forskere fra Linköpings universitet har kunnet demonstrere hvordan en kvantedatamaskin fungerer, og de har kunnet simulere egenskapene til en klassisk datamaskin. 

“Våre resultater bør være svært betydningsfulle for å bestemme hvordan man bygger en kvantedatamaskin,” sier professor Jan-Åke Larsson. 

Sverige, Europa og andre deler av verden har investert store ressurser og fokusert forskning på å skape svært rask og kraftfulle kvantedatamaskiner. Innen ti år forventes en svensk kvantedatamaskin å bli bygget, og EU har definert kvanteteknologi som ett av sine største prosjekter. 

For øyeblikket har vi få nyttige algoritmer som kan brukes for kvantedatamaskiner. Selv om det er tilfelle, vil denne typen teknologi være ekstremt viktig i simuleringsmodeller av biologiske, kjemiske og fysiske systemer. Mange av disse er for komplekse for de kraftigste datamaskinene vi har i dag. I en datamaskin kan en bit ta verdien av enten en eller null, men en kvantebit kan ta alle verdier imellom. Dette betyr at kvantedatamaskiner ikke trenger å utføre like mange operasjoner for hver beregning som utføres. 

Professor Jan-Åke Larsson og hans doktorgradsstudent Niklas Johansson, fra Avdelingen for informasjonskoding ved Institutt for elektroingeniørving, Linköpings universitet, har funnet ut mye av hvorfor en kvantedatamaskin er mer kraftfull enn en klassisk datamaskin. De har også undersøkt hva som skjer innenfor en kvantedatamaskin. 

Resultatene fra forskningen er publisert i det vitenskapelige tidsskriftet Entropy.

“Vi har vist at den største forskjellen er at kvantedatamaskiner har to frihetsgrader for hver bit. Ved å simulere en ekstra frihetsgrad i en klassisk datamaskin, kan vi kjøre noen av algoritmene med samme hastighet som de ville oppnå i en kvantedatamaskin,” sier Jan-Åke Larsson.

Laget har skapt et simuleringsverktøy kalt Quantum Simulation Logic, eller QSL. Det lar dem simulere drift av en kvantedatamaskin på en klassisk datamaskin. Quantum Simulation Logic har én bestemt egenskap, og det er den eneste egenskapen, som en kvantedatamaskin har og en klassisk datamaskin ikke har. Det er en ekstra frihetsgrad for hver bit som er en del av beregningen. 

“Dermed har hver bit to frihetsgrader: det kan sammenlignes med et mekanisk system hvor hver del har to frihetsgrader — posisjon og hastighet. I dette tilfelle handler det om beregningsbiter — som bærer informasjon om resultatet av funksjonen, og fasebiter — som bærer informasjon om funksjonens struktur,” forklarer Jan-Åke Larsson.

QSL-verktøyet er blitt brukt av laget for å studere noen av kvantalgoritmene som er ansvarlige for å håndtere funksjonens struktur. Mange av disse algoritmene er like rask i simuleringsmodellene som de ville være i en kvantedatamaskin. 

“Resultatet viser at den høyere hastigheten i kvantedatamaskiner kommer fra deres evne til å lagre, prosessere og hente informasjon i en ekstra informasjonsbærende frihetsgrad. Dette lar oss bedre forstå hvordan kvantedatamaskiner fungerer. Dessuten bør denne kunnskapen gjøre det lettere å bygge kvantedatamaskiner, siden vi vet hvilken egenskap som er mest viktig for at kvantedatamaskinen skal fungere som forventet,” sier Jan-Åke Larsson.

Laget har også bygget en fysisk versjon med elektroniske komponenter. De brukte porter som er lignende de i kvantedatamaskiner, og et verktøy simulerer hvordan kvantedatamaskinen fungerer. Dette kan tillate studenter og andre å simulere og forstå hvordan kvantekryptering og kvanteteleportasjon fungerer, blant annet andre aspekter av kvantedatamaskiner. 

Denne nye forskningen kan bidra til den økende kryssningen mellom kvanteberegning og kunstig intelligens. En av disse kryssningene er funksjonskartlegging. Andre forskning utført av IBM Research, MIT og Oxford-forskere har vist at når kvantedatamaskiner blir mer kraftfulle, vil de være i stand til å utføre funksjonskartlegging på svært komplekse datastrukturer, noe klassiske datamaskiner ikke kan gjøre. Funksjonskartlegging er viktig innen maskinlæring, og det kan føre til mer effektiv AI som kan identifisere mønster i data som klassiske datamaskiner ikke kan detektere. 

Ettersom mer og mer forskning finner sted i disse feltene, vil det være økende kryssning mellom de to viktige områdene.