Оптимизация — это не просто модное слово. Это основа логистики, финансов и медицинской визуализации. Каждой отрасли требуется найти единственное лучшее решение среди миллиардов вариантов. На сцену выходят квантовые отжигатели. Устройства от компании D-Wave Systems разработаны специально для таких сложных вычислительных задач.
Но здесь кроется серьезная проблема.
Кубиты крайне нестабильны. Они допускают ошибки.
Когда квантовый отжигатель производит вычисления, некоторые кубиты могут перейти в неверное состояние. Это может показаться незначительным. Но это не так. Ошибки накапливаются экспоненциально. По мере роста масштаба задачи время на поиск правильного ответа увеличивается неконтролируемо. Неподкрепленный квантовый отжиг становится практически бесполезным для крупных реальных задач. Оборудование просто не успевает справляться с собственным шумом.
Исследователи из CSIRO, национального научного агентства Австралии, решили эту проблему. Они не создавали новый квантовый процессор. Они написали новое программное обеспечение. Их метод, получивший название SEMO, представляет собой технику смягчения ошибок спиновой ориентации для задач оптимизации. Он обрабатывает результаты после завершения квантовых вычислений.
Результат ошеломляющий: SEMO обеспечивает миллионное улучшение в скорости, с которой система находит глобально оптимальное решение для задач комбинаторной оптимизации.
Почему постобработка превосходит коррекцию квантовых ошибок
Большинство людей считают, что смягчение ошибок означает использование Квантовой коррекции ошибок (QEC). Это «святой грааль» квантовых вычислений. Однако этот подход требует огромных аппаратных ресурсов. QEC пытается защитить кубиты во время вычислений, кодируя один логический кубит через десятки или сотни физических.
Это drastically сокращает количество доступных вам реальных кубитов.
Если у вас и так не хватает кубитов, это становится критическим препятствием. SEMO обходит это ограничение. Он работает на классическом уровне после завершения отжига.
Логика проста и эффективна. Ошибки кубитов встречаются редко. Они не распределяются равномерно по системе. Вместо этого они образуют изолированные кластеры. Лишь крошечная доля спинов оказывается неверной. SEMO находит эти ошибки.
Алгоритм работает итеративно. Он выбирает случайный опорный спин, генерирует nearby кластеры спинов и проверяет, приведет ли их инверсия к уменьшению целевой функции (математической оценки, которую машина стремится минимизировать). Если инверсия помогает — она производится. Если вредит — спин оставляют в покое.
Процесс повторяется, пока каждый спин не будет проверен дважды.
Накладные расходы? Небольшими. Весь процесс выполняется на классическом компьютере за миллисекунды. Это ничтожно мало по сравнению с секундами или минутами, экономимыми на квантовой стороне.
Тестирование SEMO на сегментации 3D-изображений
Теория хороша. Но доказательство важнее.
Команда CSIRO протестировала SEMO на задаче коррелированной 3D-сегментации изображений из материаловедения. Конкретно использовались рентгеновские компьютерные томограммы (КТ) микроструктур материалов. Цель? Различить фазы низкой плотности и фазы высокой плотности среди тысяч вокселей.
Это задача квадратичной неограниченной бинарной оптимизации (QUBO). Родной язык квантовых отжигателей.
Без SEMO отжигатель D-Wave Advantage испытывал трудности. При масштабировании задачи от 1 переменной спина до 512 среднее время нахождения правильного решения возрастало с 0,1 миллисекунды до более чем 100 секунд. Это замедление в миллион раз. Шум убивал эффективность.
При применении SEMO график сглаживался. Практически полностью.
Время на нахождение оптимального решения оставалось на уровне 0,1 миллисекунды. Размер задачи практически не влиял на результат.
«Количественные демонстрации показали потенциал квантового отжига с коррекцией ошибок в решении сложных комбинаторных задач оптимизации». — YS Yang
Точность также оказалась превосходной. SEMO учитывал корреляции между соседними вокселями. Классические методы градиентного спуска часто застревают в субоптимальных локальных минимумах. Они не видят общей картины. Результаты, скорректированные SEMO, обеспечивали четкую бинарную карту материала. Метод разделил композиционные фазы с точностью, которой классические методы просто не могут достичь.
Эта точность имеет значение. Надежная карта материала служит основой для моделирования того, как материал поведет себя под нагрузкой, при высоких температурах или в реальных условиях.
Значительное превосходство над конкурентами
Как SEMO соотносится с существующими методами?
Исследователи провели сравнение с решателем Greedy Solver от D-Wave и техникой Single-Qubit Correction. Разница была резкой. Конкурирующие методы достигали успешности лишь в несколько процентов при поиске глобального оптимума.
SEMO показывал успешность от 82% до 100%.
Он не просто улучшил существующие методы. Он уничтожил их преимущества.
И вот неожиданный поворот: SEMO не ограничивается квантовым оборудованием.
Поскольку он работает на классическом оборудовании, он может уточнять результаты имитационного отжига. Команда проверила это и там. Greedy Solver и Single-Qubit Correction не дали измеримого улучшения в контексте имитационного отжига. SEMO значительно улучшил эти результаты. Это универсальный инструмент для любых оптимизаций сложных систем.
Где это востребовано в будущем
Область применения выходит далеко за пределы 3D-визуализации.
SEMO работает на уровне моделей Изинга и формулировок QUBO. Это математические основы бесчисленных проблем. Логистические маршруты. Балансировка финансовых портфелей. Криптография. Проектирование материалов. Если задачу можно свести к QUBO, SEMO, скорее всего, сможет помочь.
«Метод окажет особенно значительное влияние в приложениях, критичных ко времени, таких как оптимизация в реальном времени в промышленности и оборонных сценариях».
Оптимизация в реальном времени — это не роскошь. Это необходимость. Если вам нужно перенаправить флот дронов или пересчитать торговый алгоритм за миллисекунды, у вас нет времени ждать, пока шум исказит результат. SEMO сохраняет сигнал чистым.
Аппаратный потолок
Есть один нюанс. Ограничения оборудования.
Современные квантовые отжигатели достигают предела примерно в 5000 физических кубитов. Это ограничивает размер задач, которые можно встроить. Вы не можете решить задачу с 100 000 вершин, если ваша машина поддерживает только 5000 узлов.
Но ситуация меняется.
D-Wave выпускает систему Advantage III. В ней будет 100 000 кубитов. Это расширение значительно расширит круг задач, поддающихся оптимизации с помощью SEMO.
На данный момент метод служит мостом. Он делает квантовый отжиг практически полезным для сложных реальных задач. Для этого не требуется революция в аппаратном обеспечении. Требуется лишь стать мудрее в использовании классического уровня, окружающего квантовый процессор.
Самые большие улучшения часто приходят с краев, а не из ядра.
