使用量子计算机进行优化

romanaratryseo@

组织轮班、计划航母旅行或发现新材料。将探测器发送到太空，规划轨迹，并进行如下检查：如果组件 A 发生故障，但 B 仍然可以工作，那么探测器还能工作吗？所有这些任务都有一些共同点：它们可以被视为数学优化问题，其中寻求合适的配置，使函数达到其最大值或最小值。 这些优化问题并非人类独有。事实上，早在我们存在之前，大自然就已经在解决优化问题了，而且它比我们做得更好。例如，肥皂泡是球形的，因为在包含相同体积的所有表面中，球体是最小的。闪电寻求对地面阻力最小的路径，尽管亚马逊河看起来遵循随机路径，但它们实际上也在寻找通往海洋的最简单路径。 可以使用物理学来解决优化问题。例如，您可以使用等离子体状态的氦在几毫秒内找到迷宫的出口。物理学也被用来设计建筑屋顶，将一根金属丝弯曲成墙壁顶部的形状，并将其浸入肥皂水中。因此，在给定的限制下获得最小表面积：些新兴的量子技术有望比经典计算机更快地解决优化问题，而这些技术正是基于物理学。正如我们将看到的，在建造出具有足够能力解决大型问题的量子计算机之前，通常使用的技术包括将量子资源和经典资源结合起来。

经典优化技术 为了在经典计算机上解决优化问题，有两种类型的算法：精确算 越南数据 法和启发式算法。 精确的算法会遍历所有可能的解决方案，以或多或少的智能方式丢弃一些不是最佳的解决方案。通过这些技术，您可以找到有保证的最佳解决方案。然而，它们的效率很低。例如，让我们考虑一下推销员的问题，其中包括找到访问所需点的最短路径：推销员问题这个问题提出起来很简单，但很难解决：城市的可能解决方案。这意味着我们必须搜索的可能路径数量会增长，如下表所示： 氮        道路数量观测宇宙中有 10 78到 10 82个原子，因此 62 个城市的推销员问题比宇宙中的原子有更多可能的解决方案。最精确的算法会在检查之前丢弃一些配置，从而在指数时间内解决这个问题。 启发式方法可以更快地找到解决方案，尽管这可能不是最佳的。这些方法找到优化问题的解决方案并迭代改进它。由于精确方法效率很低，因此更经常使用启发式方法。为了提供最佳的解决方案，它们通常会在不同的初始条件下执行多次。



量子计算的潜力 随着量子计算机的引入，人们发现了可以解决各种问题的新技术，至少在理论上是这样，正如这篇关于量子计算潜力的文章中所描述的那样。这些计算机控制和操纵量子态随时间的演化，以进行必要的计算，正是由于这种控制，许多不同的问题才能得到解决。 量子计算有一系列量子计算机的目标并不那么雄心勃勃，因为它们只旨在执行一项任务：解决优化问题。这些计算机利用 量子态的自然演化，而不是试图控制它。换句话说，他们使用物理学来解决优化问题。这种技术称为量子回火。 这些计算机包含一个由小环、量子位或量子位组成的网格，这些网格由在 9.2 开尔文以下显示量子效应的材料制成。除此之外，量子位在这些温度下具有的特性之一是它们可以处于叠加状态：与只能处于 0 或 1 状态的位不同，量子位可以处于 0 或 1 的混合状态。 0 和 1 仅在观察时才定义。 用于优化的量子技术 得益于量子回火技术，我们可以使用物理学来解决优化问题，而无需借助电线和肥皂水。物理学的一个基本部分是，一切都趋向于其最小能量状态：物体沿着斜坡滑下，一切热的东西都会冷却下来，等等。