14:45 2023-10-03
science - citeste alte articole pe aceeasi tema
Comentarii Adauga Comentariu
_ Optimizarea funcţiilor cu variabilă continuă cu recoacere cuantică
_ Optimizarea funcțiilor cu variabile continue cu recoacere cuantică
Recoacerea cuantică (QA) este un algoritm de ultimă oră care valorifică proprietățile unice ale calculului cuantic pentru a aborda probleme complexe de optimizare combinatorie (o clasă de probleme matematice care se ocupă de funcții cu variabile discrete).
Calculatoarele cuantice folosesc regulile fizicii cuantice pentru a rezolva astfel de probleme potenţial mai rapid decât calculatoarele clasice. În esență, ei pot explora mai multe soluții la o problemă simultan, oferindu-le un avantaj semnificativ de viteză față de computerele clasice pentru anumite sarcini. În special, QA valorifică fenomenul de „tunnel cuantic”, în care particulele se pot „tunele” prin bariere energetice fără energia necesară pentru a le trece, pentru a găsi soluții pentru problemele de optimizare combinatorie.
Până acum, QA a fost folosit aproape exclusiv pentru a rezolva funcții cu variabile discrete (funcții care au variabile cu valori discrete). Potențialul QA pentru optimizarea funcțiilor cu variabilă continuă a rămas în mare parte neexplorat.
În acest context, o echipă de cercetători din Japonia, Shunta Arai și Hidetoshi Nishimori de la Institutul de Tehnologie din Tokyo (Tokyo Tech) și Hiroki Oshiyama de la Universitatea Tohoku, a testat recent performanța de optimizare cu variabilă continuă a QA pe computerul cuantic D-Wave 2000Q și a comparat rezultatele cu cele de la algoritmi clasici. Descoperirile lor au fost publicate în revista Physical Review A.
„Am investigat sistematic dacă QA are un avantaj față de algoritmii clasici prin optimizarea funcției Rastrigin, o funcție continuă unidimensională utilizată ca standard pentru algoritmii de optimizare de evaluare comparativă. ”, explică prof. Nishimori. Echipa a folosit o tehnică numită „codificare pe perete de domeniu” pentru a mapa o variabilă continuă cu variabile Ising discrete și a efectuat două seturi de teste de referință.
Echipa a comparat mai întâi performanța QA pe D-Wave 2000Q. la cea a mai multor algoritmi de optimizare de ultimă generație, proiectați pentru funcții cu variabilă continuă, cum ar fi Nelder-Mead, coborâre a gradientului conjugat, salt de bazin și evoluție diferențială, toate rulând pe computere clasice.
Ei au descoperit că, pentru bariere energetice mai mari, D-Wave a funcționat la fel de bine sau chiar mai bine decât algoritmii clasici, deși doar pentru un interval de timp limitat. Pentru timpi mai lungi de execuție, algoritmii clasici au avut performanțe mai bune, în timp ce D-Wave s-a oprit.
În a doua parte a studiului lor, echipa a comparat performanța D-Wave cu algoritmii clasici de optimizare cu variabile discrete: recoacere simulată (SA), QA simulată (SQA) și vector de spin Monte Carlo (SVM). Au inclus, de asemenea, algoritmul de decimare a blocurilor cu evoluție în timp (TEBD), care simulează QA coerent fără zgomot pe un computer clasic. În mod remarcabil, performanța tuturor algoritmilor, cu excepția TEBD, care i-a depășit pe restul, s-a dovedit a fi dependentă de înălțimea barierei energetice, o dependență naturală pentru SA, SQA și SVM.
În mod esențial, dependența de D- Wave QA pe înălțimea barierei implică faptul că performanța acesteia este afectată de zgomotul termic din hardware și, prin urmare, poate fi îmbunătățită semnificativ prin reducerea la minimum a zgomotului și a altor imperfecțiuni hardware.
Prof. Nishimori spune: „Algoritmii clasici s-ar lupta să găsească o soluție dacă bariera energetică devine chiar mai mare decât ceea ce am testat, în timp ce QA, dacă ar fi realizat în mod coerent, ar fi mult mai puțin afectat”. Aceste rezultate sugerează că, cu hardware optimizat, QA poate depăși semnificativ algoritmii clasici de ultimă generație, chiar și pentru optimizarea funcțiilor continue.
În general, acest studiu reprezintă astfel un pas semnificativ către studii sistematice și cantitative ale optimizare cu variabile continue prin QA în comparație cu o gamă de algoritmi clasici bine stabiliți.
Comentarii:
Adauga Comentariu