使用人工智能来区分网络并确定给定的网络是否具有量子优势

创建量子计算机既昂贵又耗时，并且不能保证生产的设备会有任何量子优势——也就是说，它们通常不会比传统计算机运行得更快。因此，研究人员需要工具来预测给定的量子设备是否具有量子优势。

实现量子计算的途径之一是量子行走。简而言之，该方法可以被可视化为粒子在位于量子电路下的网络中传播。如果粒子从一个网络节点到另一个网络节点的量子传播比其经典模拟更快，基于该电路的器件将具有量子优势。找到这样一个先进的网络是量子行走专家的重要任务。

来自莫斯科物理与技术研究所、Variev物理与技术研究所和ITMO大学的俄罗斯研究人员创建了一个神经网络，该网络通过分析量子网络的结构来学习预测其行为。神经网络可以独立找到非常适合量子优越性论证的解。这将有助于研究人员开发新的高效量子计算机。这一发现发表在《新物理学杂志》上。

量子力学计算已经解决了现代科学中的许多问题。一些例子是对化学反应的研究以及在医学、制药和其他行业中寻找稳定的分子结构。所涉及问题的量子特性使得量子计算更适合它们。相反，经典计算往往只返回巨大的近似解。

俄罗斯研究人员所做的是训练人工智能模型来区分网络，并确定给定的网络是否具有量子优势。这为构建量子计算机指出了一个很好的候选网络。该团队使用神经网络进行图像识别。邻接矩阵与输入和输出节点的数量一起用作输入数据。神经网络返回给定节点之间的经典或量子行走是否会更快的预测。

MIPT大学理论物理学副教授列昂尼德费迪金说：“这种方法不起作用，但确实有效。我们已经成功地训练了计算机来自动预测复杂网络是否具有量子优势。”。

MIPT大学毕业生、ITMO大学研究员Alexey Melnikov说：“量子行为和经典行为之间的界限经常是模糊的。我们研究的显著特征是由此产生的特殊计算机视觉，它可以识别网络空间中的这条细线。”

研究人员和他们的合著者亚历山大阿洛詹特一起创造了一种工具，简化了基于量子算法的计算电路的开发。最终的设备将引起人们对生物光子学和材料科学的兴趣。

量子迁移的一个很好描述的过程是激发光敏蛋白质，如视紫红质或叶绿素。蛋白质是一种复杂的分子，其结构类似于网络。解决找到从一个节点到另一个节点的量子行走时间的问题，实际上可能会揭示电子在分子中特定位置的变化，它们将移动的位置以及它们将引起什么样的激发。

与基于量子比特和门的结构相比，量子行走有望为自然现象的量子计算提供一种更简单的方法。原因是走路本身就是一个自然的物理过程。