Pentru ce tipuri de probleme sunt bune calculatoarele cuantice?

Urmărește videoclipul despre aplicațiile calculului cuantic realizat de Olivia Lanes sau deschide videoclipul într-o fereastră separată pe YouTube.

Introducere

În lecția anterioară, am abordat în profunzime o singură problemă – rezolvarea problemei de optimizare Max-Cut folosind formularea QUBO. Astăzi vom adopta o abordare diferită și vom discuta aplicațiile pe termen scurt într-un mod mai larg. Vom începe prin a-ți oferi o idee despre cum decidem ce tipuri de probleme credem că ar putea beneficia de o soluție cuantică. Apoi, vom examina câteva exemple recente de lucrări realizate în comunitatea noastră. Aceasta te va ajuta să îți dezvolți o intuiție pentru diferitele tipuri de probleme de calcul cuantic și modul în care le abordăm.

Dificultate clasică vs. cuantică

Înainte de a trece la exemple, să discutăm mai întâi despre cum studiem și clasificăm dificultatea diverselor probleme. Unele probleme pot fi rezolvate ușor pe un calculator clasic și nu avem nevoie de un calculator cuantic pentru a le rezolva. Pe de altă parte, există probleme foarte dificile pentru care calculatoarele cuantice sunt necesare. Un exemplu celebru este găsirea factorilor primi ai unor numere întregi enorme. Criptarea RSA se bazează pe dificultatea acestei probleme, iar algoritmul lui Shor a fost conceput pentru a o rezolva pe un calculator cuantic. Un alt exemplu este găsirea unei soluții într-un set de date nesortate – aceasta poate fi teoretic rezolvată de algoritmul cuantic cunoscut drept algoritmul lui Grover. Cu toate acestea, majoritatea experților sunt de acord că aceste tipuri de algoritmi vor necesita implementarea corecției erorilor, iar tehnologia nu a ajuns încă acolo.

Prin urmare, căutăm probleme pe care le putem aborda undeva într-o zonă de echilibru între cele foarte ușoare și cele foarte dificile – unele pe care calculatoarele cuantice de astăzi le pot aborda, dar cu care calculatoarele clasice au dificultăți.

Clase de complexitate

Dificultatea acestor probleme este clasificată și analizată într-o ramură a informaticii numită teoria complexității computaționale. Există o mulțime de clase de complexitate diferite în calculul clasic, dar unele dintre cele mai fundamentale sunt:

• P: Probleme care pot fi rezolvate în timp polinomial pe măsură ce scara problemei crește. Sunt ușor de rezolvat.
• NP: Aceasta înseamnă polinomial nedeterminist. Aceste probleme nu pot fi neapărat rezolvate în timp polinomial, dar răspunsurile lor pot fi verificate în timp polinomial.
• NP-complete sunt cele mai dificile probleme din NP și nu au nicio soluție polinomială cunoscută. Aici trăiesc probleme celebre precum problema comisului voiajor și jocul Sudoku.
• BPP, sau probleme polinomiale cu eroare limitată, care pot fi rezolvate într-un prag de eroare de către un calculator clasic probabilistic în timp polinomial.

Când a fost inventat conceptul de calcul cuantic, oamenii au depus eforturi considerabile pentru a înțelege ce clasă de probleme aceste noi tipuri de calculatoare vor putea rezolva eficient. A fost inventată o nouă clasă de probleme:

• BQP, sau probleme cuantice polinomiale cu eroare limitată. Aceasta este echivalentul cuantic al BPP: este clasa de probleme de decizie rezolvabile de un calculator cuantic în timp polinomial cu o șansă mică de eroare.

Toate aceste clase trăiesc într-o clasă mai mare pe care o numim PSPACE. Mai sus se află o diagramă a relațiilor suspectate între unele dintre clasele de complexitate, dar este foarte greu să demonstrezi riguros acest lucru din punct de vedere matematic. Vei observa că BQP nu se suprapune neapărat cu NP-complete. Dar este posibil să fi văzut totuși unele abordări de calcul cuantic care încearcă să rezolve probleme din NP-complete.

O concepție greșită comună este că nu are sens să explorezi soluții cuantice pentru problemele în care nu a fost găsită o dovadă matematică pentru o accelerare cuantică. Dar o dovadă matematică că un algoritm cuantic este mai rapid decât omologul său clasic este greu de găsit. Shor și Grover sunt două dintre puținele exemple în care acest lucru a fost realizat până acum. De fapt, demonstrarea riguroasă că P și NP sunt diferite este una dintre cele mai notorii probleme deschise din toată matematica, chiar dacă toată intuiția ne spune că trebuie să fie diferite.

Dar modul în care un algoritm se scalează cu creșterea dimensiunii problemei – ceea ce se reflectă în clasa de complexitate – nu este întotdeauna cea mai relevantă caracteristică a unui algoritm. Această scalare este adesea scenariul cel mai defavorabil. Este destul de posibil ca, în practică, scenariul cel mai defavorabil să nu fie cel cu care ne confruntăm cel mai des.

Faptul că dovezile de dificultate sunt complicate nu înseamnă că nu putem face progrese. Introducem ideea de soluții euristice. Dacă ești un experimentalist, probabil că cunoști și îți plac aceste tipuri de soluții. O euristică este orice abordare pragmatică, dar nu neapărat optimă, a rezolvării unei probleme, deoarece soluțiile nu trebuie să fie optime pentru a fi utile. De exemplu, gândește-te la aplicațiile financiare. Nu am găsit încă o accelerare exponențială pentru majoritatea algoritmilor financiari în care ar putea fi utilizat calculul cuantic, dar nu avem nevoie de o soluție optimă. În finanțe, chiar și o soluție cu 0,1% mai eficientă ar putea echivala cu miliarde de dolari de profit.

Calculatoarele cuantice de astăzi și limitele lor

Deci, cum știm ce cazuri de utilizare și probleme ar putea fi potrivite pentru calculul cuantic în prezent? Există un motiv întemeiat să credem că utilitatea cuantică, sau chiar avantajul cuantic, poate fi găsit fie acum, fie în viitorul apropiat?

Poate că este mai ușor să numim mai întâi lucrurile pe care problema cu siguranță nu ar trebui să le aibă. Nu poate necesita un număr enorm de qubiți. Nu avem încă procesoare cu mii până la milioane de qubiți disponibili. Acesta este unul dintre principalele motive pentru care algoritmul lui Shor și cei similari sunt atât de departe de a fi realizați. Circuitele nu pot fi nici prea adânci. Limita adâncimii circuitului depinde de mulți factori, dar în general, dacă experimentul tău necesită o adâncime pe care nu ai văzut-o realizată în literatura de specialitate, probabil că nu va funcționa. Și în cele din urmă, niciun tip de algoritm despre care știm că va necesita corecția erorilor nu poate fi realizat încă.

Toate aceste limitări sunt abordate în foaia de parcurs IBM Quantum® și ne așteptăm să realizăm corecția erorilor la începutul anilor 2030, dar deocamdată trebuie să căutăm experimente care să facă uz de cât mai mulți qubiți disponibili în prezent pe un QPU dat. Subliniem, de asemenea, importanța atenuării și suprimării erorilor. Și în cele din urmă, ar trebui să existe o extensie evidentă la aplicații viitoare care ar fi importante pentru societate și care ar putea duce în cele din urmă la avantaj cuantic.

Domenii de aplicare și cazuri de utilizare

Să vorbim acum despre câteva exemple de cazuri de utilizare, care se încadrează în trei categorii principale pe care le-am identificat ca cele mai susceptibile de a vedea rezultate favorabile pe termen scurt până la mediu:

1. Simulări ale naturii. Metodele clasice actuale de simulare atomică și moleculară sunt limitate de descrierile matematice ineficiente ale structurii atomice. Stocarea și manipularea unei stări cuantice necesită resurse exponențial mai mari pe un calculator clasic, dar poate fi realizată eficient pe un calculator cuantic. Aceasta ar putea duce la dezvoltări în sechestrarea dioxidului de carbon, baterii alternative sau inventarea de noi medicamente. Câțiva algoritmi deosebit de relevanți în această zonă sunt: Variational Quantum Eigensolver (VQE), care este utilizat pentru a estima anumite proprietăți ale unui material, cum ar fi stările de echilibru sau energie minimă; algoritmul Time Dynamics Simulation (TDS), care este utilizat pentru a estima funcțiile de răspuns sau proprietățile spectrale ale materialelor; și un nou venit, Sample-based Quantum Diagonalization (SQD), despre care credem că vom auzi mult mai mult în viitorul apropiat.

2. Optimizare. Această zonă este ubiquitară în calcul, deci cazurile de utilizare sunt numeroase și variate. Câteva exemple despre care auzim mult sunt optimizarea portofoliului în finanțe, proiectarea industrială și distribuția și lanțul de aprovizionare. Cel mai comun algoritm pe care îl vei auzi probabil în legătură cu finanțele este cel pe care l-am abordat deja în profunzime: algoritmul cuantic de optimizare aproximativă, sau QAOA.

3. Învățare automată cuantică. Această zonă a generat multă entuziasm în ultimii câțiva ani, dar este probabil că QML nu va fi utilă la fel de curând ca simularea. Există totuși câțiva algoritmi impresionanti care sunt dezvoltați pentru a aborda câteva cazuri de utilizare foarte importante. Unele dintre aceste posibile cazuri de utilizare sunt procesarea limbajului natural, analiza traficului de rețea și chiar detectarea fraudelor în tranzacțiile financiare. Algoritmii relevanți în această zonă sunt mașina cuantică cu vector suport (QSVM), rețelele neuronale cuantice (QNN) și rețelele adversariale generative cuantice.

În cadrul acestor domenii largi de aplicare, comunitatea vede beneficiul în grupurile care lucrează împreună și care sunt concentrate pe un subiect mai specific. IBM® a inițiat o inițiativă numită Grupuri de Lucru pentru a ajuta colaboratorii să se cunoască și să creeze sinergie productivă în patru domenii specifice: sănătate și științe ale vieții, materiale și calcul de înaltă performanță (HPC), fizica energiilor înalte și optimizare. Și recent, a fost creat un al cincilea grup de lucru privind sustenabilitatea.

Acum vom examina mai îndeaproape câteva probleme care au fost recent abordate de unele dintre aceste grupuri de lucru. Scopul principal aici nu este să înțelegi fiecare detaliu al unui experiment – acest lucru poate fi intimidant chiar și pentru experți dacă lucrarea este ușor în afara domeniului tău de expertiză. Scopul este pur și simplu de a ajuta la dezvoltarea unei intuiții pentru tipurile de probleme pentru care calculatoarele cuantice sunt potrivite și cum să le abordezi. Și dacă ești interesat, te încurajăm să citești lucrările complete.

Cazul de utilizare 1: Simularea dinamicii hadroanelor

Mai întâi, vom analiza un articol al grupului lui Martin Savage de la Universitatea din Washington, intitulat Quantum Simulations of Hadron Dynamics in the Schwinger Model Using 112 Qubits.

Dacă nu ești fizician de înaltă energie, s-ar putea totuși să fii familiarizat cu termenul „hadron", ca în Marele Accelerator de Hadroni (LHC) — acel accelerator de particule uriaș, cu o circumferință de 27 km, care a făcut posibilă observarea în final a bosonului Higgs. Un hadron este o particulă subatomică compusă din alte particule mici numite quarci. Câteva exemple de hadroane sunt neutronii și protonii.

Pentru puțin context: LHC a fost construit pentru a permite studiul fizicii fundamentale prin coliziunea particulelor la energii extrem de mari. Cu ajutorul LHC, oamenii de știință speră să afle mai multe despre universul timpuriu și legile fundamentale ale naturii. În principiu, interacțiunile acestor particule ar putea fi simulate de la început până la sfârșit cu un calculator cuantic suficient de puternic. Nu am ajuns încă acolo, dar facem progrese.

Modelul Schwinger este un model simplu și popular, folosit pentru a simula o parte din aceste dinamici. Este un model care descrie comportamentul electronilor și pozitronilor ce interacționează prin fotoni în 1+1D, adică timp și o dimensiune spațială. Modelul are multe similarități cu cromodinamica cuantică (QCD), care descrie modul în care quarcii și hadroanele interacționează, însă QCD este extrem de greu de simulat. Prin urmare, modelul Schwinger este adesea utilizat ca model de jucărie pentru a investiga unele fenomene comune ambelor.

Pentru a înțelege de ce au abordat această problemă, hai să ne punem o serie de întrebări.

În primul rând, de ce aveau motive să creadă că simularea acestui lucru pe un calculator cuantic ar funcționa deloc? În acest caz, electronii și pozitronii din modelul Schwinger au un efect de ecranare, determinând corelațiile dintre fermionii îndepărtați să scadă exponențial cu distanța. Asta înseamnă că nu sunt necesare atât de multe interacțiuni pe distanțe lungi de la un Qubit de pe o parte a cipului la altul — știm că acestea sunt foarte predispuse la erori. Deci, e excelent pentru hardware-ul disponibil astăzi.

Apoi, de ce este acest subiect de interes? Fizica de înaltă energie în general prezintă un interes deosebit. Oamenii au fost dispuși să cheltuiască miliarde de dolari pentru a construi LHC, iar mulți mii de oameni de știință și tehnicieni din întreaga lume și-au dedicat cariera acestui domeniu. Deși modelul Schwinger este simplificat și nu este conceput să acopere trei dimensiuni spațiale, rămâne totuși o simplificare utilă a teoriei complete.

În sfârșit, cum a fost realizată această muncă sau cum am aborda problema dacă am dori să continuăm această cercetare? În experimentele de tip simulare, VQE este una dintre cele mai comune abordări, iar primul pas este aproape întotdeauna același: pregătirea stării fundamentale. În acest caz, este o stare de vid. În acest experiment, se folosește o nouă versiune de VQE numită SC-ADAPT-VQE (care înseamnă Scalable Circuits - Adaptive Derivative-Assembled Pseudo-Trotter ansatz-VQE) pentru a pregăti atât starea fundamentală, cât și pachetul de undă al hadronului pe acest vid. Pasul următor este să lăsăm hadroanele să evolueze în timp. În final, identificăm observabilele pe care dorim să le măsurăm și le măsurăm.

Dacă acești pași ți se par oarecum familiari — cu excepția părții cu pachetul de undă al hadronului —, e pentru că sunt foarte similari cu ceea ce am acoperit în exemplul QAOA din lecția anterioară. Începem dintr-o stare familiară (aici starea de vid), și apoi lăsăm sistemul să evolueze în timp printr-o serie de hamiltoniene exponențiate. Multe algoritmi variaționali urmează această abordare generală. O diferență importantă aici, însă, este că creăm pachetul de undă al hadronilor centrat în circuitul nostru, înainte de a începe să-l lăsăm să evolueze.

Deci, cum creăm pachetul de undă? Pe vid, un hadron poate fi excitat prin crearea unei perechi fermion-antifermion pe situri adiacente. Pregătind o suprapunere a unor astfel de hadroane în locații diferite, se poate pregăti un pachet de undă arbitrar. Autorii și-au centrat pachetul de undă în mijlocul circuitului pentru a observa evoluția fără a atinge o graniță.

Dar ține minte: numele jocului atunci când lucrezi cu QPU-uri zgomotoase este să menții adâncimea circuitului la un nivel gestionabil. Pentru a face asta, protocolul SC-ADAPT-VQE folosește simetrii și ierarhii în scările de lungime pentru a determina circuite cuantice de mică adâncime pentru pregătirea stărilor. Acest lucru va crea un ansatz cu un număr mai mic de parametri și, prin urmare, o adâncime mai mică.

Experimentul a fost rulat pe un dispozitiv IBM Quantum Heron și a inclus câteva tipuri diferite de atenuare și suprimare a erorilor: decuplare dinamică, extrapolare la zgomot zero, răsucire Pauli și o tehnică dezvoltată recent numită renormalizarea decoherenței operatorului.

Mai sus este o figură din articol care arată observabilul de interes, condensatul chiral, care este practic o fază de superfluid a hadronilor. Acum putem vedea pachetul de undă în centrul siturilor desemnate pentru rularea acestui experiment. Liniile negre sunt rezultatele fără erori din simularea clasică (costisitoare din punct de vedere computațional), în timp ce punctele cu bare de eroare sunt rezultatele de pe calculatorul cuantic IBM cu 133 de qubiți, Torino.

Vedem două etape de timp diferite în evoluția pachetului de undă. La timpul $t=1$, poți vedea că condensatul chiral este îngust și localizat, și se potrivește bine cu simularea clasică. La $t=14$, este mult mai răspândit. Comparația cu simulatorul nu mai este la fel de perfectă acum, dar poți vedea totuși în mod evident un acord foarte bun între teorie și date, ceea ce este încurajator.

În concluzie, acesta este un exemplu foarte interesant al tipului de muncă de simulare la care poate nu te-ai gândi inițial să aplici calculul cuantic, dar care arată o promisiune reală. Nu este perfect, dar nu trebuie să fii expert în fizica particulelor pentru a vedea că calculatorul cuantic prezice cu acuratețe propagarea spre exterior a pachetului de undă, ceea ce este exact ce ne-am fi așteptat să găsim. Sperăm că lucrările viitoare în acest domeniu vor continua și că fizicienii de înaltă energie vor găsi în continuare modalități de a incorpora calculul cuantic în fluxurile lor de lucru. Scopul este de a rezolva probleme teoretice dificile mai precis și de a utiliza experimentele pentru a accepta sau respinge teorii, în speranța descoperirii de fizică nouă, a construirii unor detectoare îmbunătățite și a unei mai bune înțelegeri a naturii la nivelul ei cel mai fundamental.

Cazul de utilizare 2: Optimizarea unui spin-glass Ising

Următorul nostru exemplu se concentrează pe optimizare și va reprezenta o analiză aprofundată a unui articol numit Bias-Field Digitized Counterdiabatic Quantum Optimization, realizat de membrii echipei Kipu Quantum și ai Universității din Țara Bascilor din Spania.

În articol, autorii au dezvoltat o nouă metodă de optimizare și au aplicat-o pentru a găsi starea fundamentală a unui spin-glass Ising. Așa cum am discutat anterior, multe probleme de optimizare combinatorie pot fi reformulate ca rezolvare a stărilor de energie joasă ale Hamiltonienilor Ising. Modelul Ising descrie interacțiunea unui șir de spinuri microscopice. În anumite regimuri, modelul prezice că spinurile se comportă ca un sticlă, în care momentele magnetice sunt dezordonate deasupra unei așa-numite „temperaturi de îngheț."

Vom începe, ca și înainte, cu o serie de definiții. Prima este contradiabatică, adică un tip de evoluție care suprimă efectele neadiabatice experimentate de un sistem, indiferent de cât de repede au loc acele procese. Reamintește-ți teorema adiabatică din episodul anterior — de obicei trebuie să eVoluezi un sistem foarte lent dacă dorești ca acesta să rămână în starea fundamentală. Aceasta este o problemă majoră, deoarece cu cât trebuie să evoluăm mai lent lucrurile, cu atât avem mai mult timp pentru ca erorile să apară. Conducerea contradiabatică (CD) urmărește să combată acest lucru prin adăugarea de termeni care contracarează aceste excitații nedorite. Ideea principală este de a accelera întregul experiment și de a reduce adâncimea circuitului cuantic prin suprimarea excitațiilor care ar putea cauza tranziții parazite.

Acum pentru cealaltă terminologie din titlu: câmpul de polarizare. Alți algoritmi iterativi, precum VQE, introduc parametri clasici în stări și folosesc optimizatori clasici pentru a căuta în spațiul parametric multidimensional setul de parametri care produce o valoare de așteptare minimă pentru un Hamiltonian fix. În acest caz, ei variază în schimb Hamiltonianul de fiecare dată, deplasându-se adiabatic de la un caz cunoscut la cazul de interes. Pentru a schimba Hamiltonianul, ei aplică pur și simplu valoarea de așteptare Pauli-Z dintr-o iterație ca un câmp de polarizare în Hamiltonianul pentru iterația următoare. În acest fel, direcționează dinamica spre soluția reală fără a fi nevoie de optimizatori clasici.

Deci, de ce prezintă interes acest experiment? Spin-glass-urile Ising sunt de interes fundamental în fizică, dar această nouă abordare este chiar mai generală decât atât. Ar putea fi aplicată multor probleme de optimizare, astfel că articolul prezintă interes larg.

Și de ce am crezut că va funcționa? Algoritmul pe care îl propun accelerează evoluția pentru a reduce adâncimea circuitului, suprimând totodată tranzițiile neadiabatice. Mai mult, nu se bazează pe niciun subprogram de optimizare clasic, care poate fi o problemă ce duce la platouri sterile și la blocarea în minime locale. În cele din urmă, autorii se asigură că aliniază interacțiunile din Hamiltonianul problemei cu conectivitatea hardware din QPU-urile reale, ceea ce este întotdeauna foarte important.

Deci, cum funcționează această metodă? Din nou, nu folosește niciun optimizator clasic, spre deosebire de majoritatea celorlalți algoritmi cuantici iterativi. În schimb, prin furnizarea soluției din fiecare iterație ca intrare pentru următoarea, algoritmul de optimizare cuantică digitizat cu câmp de polarizare rafinează incremental starea fundamentală, aducând-o din ce în ce mai aproape de starea evoluată finală. Și combinat cu protocoalele contradiabatice, putem face acest lucru chiar și cu circuite cuantice de adâncime mică, care ar trebui să ruleze fără probleme pe hardware zgomotos.

Astfel, când a fost realizat experimentul, autorii au ales să ruleze algoritmul pe computerul cuantic IBM Quantum Brisbane de 127 de qubiți. Mai jos este o figură care arată cea de-a 8-a iterație a algoritmului de optimizare pentru o instanță de spin-glass generată aleatoriu cu vecini apropiați pe 100 de qubiți. Ei compară rezultatele de simulare clasică idealizată din DCQO și BF-DCQO, precum și rezultatul experimental rulat pe computerul cuantic. Arată, de asemenea, rezultatul unui solver clasic numit Gurobi ca referință. Cu doar 10 iterații, BF-DCQO oferă o îmbunătățire drastică față de DCQO. Deși rezultatul experimental diferă puțin față de rezultatul ideal din cauza zgomotului, performanța este totuși mai bună decât DCQO ideal. Aceasta arată că există în continuare progrese excelente în ceea ce privește optimizarea cuantică, iar rezultate bune sunt raportate pentru mai mult de 100 de qubiți pentru una dintre primele dată.

Cazul de utilizare 3: predicția structurii secundare a ARNm

În final, vom discuta un articol de la Moderna Pharmaceuticals intitulat mRNA Secondary Structure Prediction Using Utility-Scale Quantum Computers.

Mai întâi, o scurtă recapitulare despre ARNm. ARN mesager este un tip de ARN implicat în sinteza proteinelor. Practic, citește instrucțiunile furnizate de ADN. Structura secundară a ARNm reprezintă modul în care lanțul este pliat, așa cum se arată în diagrama de mai jos. Iar problema predicției structurii secundare a ARN este problema găsirii celui mai stabil pliat al secvenței de baze sau nucleotide care alcătuiesc ARN-ul: adenina (A), citozina (C), uracilul (U) și guanina (G). Imaginea de mai jos arată câteva structuri de pliere comune găsite în ARNm; fiecare culoare reprezintă un tip diferit de structură secundară. Ce anume face o structură mai favorabilă decât celelalte nu este bine înțeles; tot ce putem face este să calculăm care structură produce cea mai mică energie liberă față de starea nepliată. Și exact aici intervin calculatoarele cuantice.

Deci, de ce sunt importante structurile secundare ale ARNm? Predicția lor precisă este esențială nu numai pentru înțelegerea ADN-ului și a genelor noastre, ci și pentru proiectarea terapeuticelor bazate pe ARN, cum ar fi vaccinul COVID-19.

Se știe de mult că aceasta este o problemă de optimizare formidabilă pentru calculatoarele clasice, din cauza numărului vast de configurații posibile. Pentru unele configurații, se știe că este o problemă NP-completă. Cu toate acestea, pe un calculator cuantic putem formula predicția structurii secundare ca o problemă de optimizare binară — ceva ce știm cum să gestionăm. Mai mult, în literatura de specialitate existau deja dovezi ale unor predicții ARN precise pe dispozitive cuantice la scară mică și pe simulatoare cuantice. Dar ar funcționa asta pe hardware mai mare?

Acest experiment a fost efectuat folosind ceva numit eigensolver cuantic variațional cu valoarea condiționată la risc, care este o modificare a unui algoritm VQE tradițional și se așteaptă să obțină o convergență mai bună.

Graficul de mai sus arată distribuția probabilităților de măsurare ale șirurilor de biți eșantionate, cu energiile corespunzătoare pentru o instanță de 42 de nucleotide și 80 de qubiți. Aici, șirurile de biți simbolizează împerecherile de nucleotide. Ilustrează că șirul de biți cu cea mai mică energie găsit de calculatorul cuantic corespunde cu cel al solverului clasic comparativ, ceea ce este excelent. De asemenea, este prezentată structura pliată optimă a acelui lanț nucleotidic, bazată pe șirul de biți cu cea mai mică energie găsit de calculatorul cuantic.

Concluzie

Sperăm că aceste trei cazuri de utilizare ți-au oferit suficient context pentru a înțelege cum arată munca de ultimă oră din domeniu în acest moment și încrederea de a încerca noi experimente cuantice pe care poate nu le-ai fi încercat înainte.

Ține minte: calculul cuantic nu este potrivit pentru orice problemă. Și, de fapt, acesta este doar un testament al cât de buni am devenit la calculul clasic. Doar pentru că crezi că ai putea aplica calculul cuantic la o problemă nu înseamnă că va produce rezultate interesante; trebuie să iei în considerare scalarea.