Optimalizace není jen módní slovo. Je to základ logistiky, financí a lékařského zobrazování. Každé odvětví potřebuje najít to jediné nejlepší řešení mezi miliardami možností. Na scénu přicházejí kvantové žíhače. Zařízení od D-Wave Systems jsou navržena speciálně pro takové složité výpočetní úlohy.
Zde je ale vážný problém.
Qubity jsou extrémně nestabilní. Dělají chyby.
Když kvantový žíhač provádí výpočty, některé qubity mohou skončit ve špatném stavu. To se může zdát bezvýznamné. Ale to není pravda. Chyby se hromadí exponenciálně. S narůstajícím rozsahem problému se nekontrolovatelně prodlužuje čas na nalezení správné odpovědi. Nepodporované kvantové žíhání se pro velké problémy v reálném světě stává prakticky nepoužitelným. Zařízení prostě nemá čas vyrovnat se s vlastním hlukem.
Výzkumníci z CSIRO, australské národní vědecké agentury, tento problém vyřešili. Nevytvořili nový kvantový procesor. Napsali nový software. Jejich metoda, nazývaná SEMO, je technika zmírnění chyby orientace při optimalizaci problémů. Výsledky zpracovává po dokončení kvantového výpočtu.
Výsledek je ohromující: SEMO poskytuje milionové zlepšení v rychlosti, s jakou systém najde globálně optimální řešení pro problémy kombinatorické optimalizace.
Proč je následné zpracování lepší než kvantová oprava chyb
Většina lidí si myslí, že zmírnění chyb znamená použití Quantum Error Correction (QEC). Toto je „svatý grál“ kvantového počítání. Tento přístup však vyžaduje obrovské hardwarové zdroje. QEC se pokouší chránit qubity během výpočtu kódováním jednoho logického qubitu přes desítky nebo stovky fyzických.
To drasticky snižuje počet skutečných qubitů, které máte k dispozici.
Pokud již nemáte dostatek qubitů, stává se to kritickou překážkou. SEMO toto omezení obchází. Po dokončení žíhání funguje na klasické úrovni.
Logika je jednoduchá a účinná. Chyby Qubit jsou vzácné. Nejsou distribuovány rovnoměrně v celém systému. Místo toho tvoří izolované shluky. Pouze nepatrný zlomek otočení se ukáže jako nesprávný. SEMO tyto chyby najde.
Algoritmus funguje iterativně. Vybere náhodné referenční rotace, generuje blízké shluky rotací a kontroluje, zda jejich inverze sníží účelovou funkci (matematický odhad, který se stroj snaží minimalizovat). Pokud inverze pomůže, je provedena. Pokud to poškodí, rotace se nechá být.
Proces se opakuje, dokud není každé otočení dvakrát zkontrolováno.
Režijní náklady? Malý. Celý proces probíhá na klasickém počítači během milisekund. To je zanedbatelné ve srovnání s ušetřenými sekundami nebo minutami na kvantové straně.
Testování SEMO na segmentaci 3D obrazu
Teorie je dobrá. Důležitější je ale důkaz.
Tým CSIRO testoval SEMO na korelované 3D segmentaci obrazů materiálových věd. Konkrétně byly použity rentgenové počítačové tomografie (CT) skeny mikrostruktur materiálů. Cíl? Rozlišujte mezi fázemi s nízkou hustotou a fázemi s vysokou hustotou mezi tisíci voxelů.
Toto je problém kvadratické neomezené binární optimalizace (QUBO). Rodný jazyk kvantových žíhacích zařízení.
Bez SEMO se žíhač D-Wave Advantage potýkal. Při škálování problému z 1 proměnné rotace na 512 se průměrná doba k nalezení správného řešení zvýšila z 0,1 milisekundy na více než 100 sekund. Tohle je milionkrát pomalejší. Hluk zabil účinnost.
Když bylo aplikováno SEMO, graf byl vyhlazený. Téměř úplně.
Čas k nalezení optimálního řešení zůstal na 0,1 milisekundy. Velikost problému neměla na výsledky prakticky žádný vliv.
“Kvantitativní ukázky ukazují potenciál kvantového žíhání s korekcí chyb pro řešení složitých kombinatorických optimalizačních problémů.” — YS Yang
Přesnost byla také vynikající. SEMO vzalo v úvahu korelace mezi sousedními voxely. Klasické gradientní metody sestupu se často zaseknou v suboptimálních lokálních minimech. Nevidí celkový obraz. Výsledky korigované SEMO poskytly jasnou binární mapu materiálu. Metoda oddělovala kompoziční fáze s přesností, které klasické metody prostě nedosahují.
Na této přesnosti záleží. Spolehlivá mapa materiálů poskytuje základ pro modelování toho, jak se materiál bude chovat při zatížení, vysokých teplotách nebo reálných podmínkách.
Výrazná převaha nad konkurenty
Jak si stojí SEMO ve srovnání se stávajícími metodami?
Vědci jej porovnali s Greedy Solverem D-Wave a technikou Single-Qubit Correction. Rozdíl byl markantní. Konkurenční metody dosahovaly úspěšnosti pouze několika procent při hledání globálního optima.
SEMO vykazovalo úspěšnost v rozmezí od 82 % do 100 %.
Nezdokonalil jen stávající metody. Zničil jejich přednosti.
A tady je zvrat: SEMO není omezeno na kvantový hardware.
Protože běží na klasickém zařízení, může zpřesňovat výsledky simulovaného žíhání. Tým to tam také vyzkoušel. Greedy Solver a Single-Qubit Correction neposkytly žádné měřitelné zlepšení v kontextu simulovaného žíhání. SEMO tyto výsledky výrazně zlepšilo. Jedná se o univerzální nástroj pro jakoukoli optimalizaci složitých systémů.
Kde je to potřeba v budoucnu?
Rozsah použití daleko přesahuje 3D vizualizaci.
SEMO funguje na úrovni Isingových modelů a QUBO formulací. To jsou matematické základy bezpočtu problémů. Logistické trasy. Vyvažování finančních portfolií. Kryptografie. Materiálové provedení. Pokud lze problém redukovat na QUBO, SEMO vám s největší pravděpodobností pomůže.
“Metoda bude mít obzvláště významný dopad v časově kritických aplikacích, jako je optimalizace v reálném čase v průmyslových a obranných scénářích.”
Optimalizace v reálném čase není žádný luxus. To je nutnost. Ať už potřebujete přesměrovat flotilu dronů nebo přepočítat obchodní algoritmus v milisekundách, nemáte čas čekat, až hluk zkreslí výsledky. SEMO udržuje signál čistý.
Hardwarový strop
Je tu jedno upozornění. Omezení vybavení.
Moderní kvantové žíhače dosahují limitu asi 5000 fyzických qubitů. To omezuje velikost úloh, které lze vložit. Nemůžete vyřešit problém se 100 000 vrcholy, pokud váš počítač podporuje pouze 5 000 uzlů.
Ale situace se mění.
D-Wave uvolňuje systém Advantage III. Bude obsahovat 100 000 qubitů. Toto rozšíření výrazně rozšíří okruh problémů, které lze pomocí SEMO optimalizovat.
Metoda zatím slouží jako most. Díky tomu je kvantové žíhání prakticky užitečné pro složité problémy reálného světa. To nevyžaduje hardwarovou revoluci. Jde jen o to být moudřejší v používání klasické vrstvy obklopující kvantový procesor.
Největší vylepšení často pocházejí z okrajů, nikoli z jádra.
