俄羅斯研究人員發明了一種基于人工智能()的工具，通過“觀察”a的結構來預測它的行為。根據發表在《新物理學雜志》(The New Journal of Physics)上的一項研究，神經網絡能夠自主地找到適合量子優勢演示的解決方案。

這將有助于研究人員開發新的高效量子計算機。“我們在訓練計算機自主預測一個復雜網絡是否具有量子優勢方面取得了相當大的成功，”實驗室的副教授Leonid Fedichkin說。現代科學中的許多問題都是通過量子力學計算來解決的。一些例子是研究化學反應和尋找穩定的分子結構的醫藥，藥劑學和其他行業。所涉及問題的量子性質使量子計算更適合它們。相比之下，經典計算往往只返回龐大的近似解。制造量子計算機是昂貴和耗時的，并且由此產生的設備不能保證表現出任何量子優勢——也就是說，運行速度比傳統計算機快。因此，研究人員需要工具來預測給定的量子設備是否具有量子優勢。實現量子計算的方法之一是量子漫步。簡而言之，該方法可以被想象成一個粒子在某一網絡中運動，該網絡是a的基礎。如果一個粒子從一個網絡節點到另一個網絡節點的量子行走速度比經典的模擬粒子快，那么基于該電路的設備將具有量子優勢。尋找這樣的超級網絡是量子行走專家的一項重要任務。俄羅斯研究人員所做的是用人工智能取代專家。他們訓練這臺機器來區分網絡，并判斷給定的網絡是否會帶來量子優勢。這就為構建量子計算機找到了合適的候選網絡。研究小組使用了一種針對圖像識別的神經網絡。一個鄰接矩陣作為輸入數據，以及輸入和輸出節點的數目。神經網絡返回一個關于給定節點之間的經典步長和量子步長哪個更快的預測。Fedichkin說:“這種方法并不明顯有效，但確實有效。”“量子和經典行為之間的界限往往很模糊。我們研究的獨特特點是由此產生的專用計算機視覺，能夠識別網絡空間中的這條細線，”俄羅斯ITMO大學的Alexey Melnikov補充說。研究人員開發了一種基于量子算法的簡化計算電路開發的工具。由此產生的器件將在生物光子學研究和材料科學中引起人們的興趣。