• یک الگوریتم هوش مصنوعی جدید می‌تواند محاسبات کوانتومی را با بهینه سازی عملیات آن به میزان قابل توجهی تسریع کند.

بهینه سازی مدار، یک چالش کلیدی در توسعه کامپیوترهای کوانتومی در آینده است. یکی از انواع گیت‌های کوانتومی که به عنوان گیت T شناخته می‌شود، مانعی برای دستیابی به این هدف است، زیرا از نظر محاسباتی گران و پرهزینه هستند. هوش مصنوعی می‌تواند راه حلی برای به حداقل رساندن تعداد گیت‌های T استفاده شده برای اجرای یک مدار کوانتومی معین باشد. محققان شرکت محاسبات کوانتومی Quantinuum با همتایان خود در Google DeepMind همکاری کردند تا ببینند آیا یک مدل هوش مصنوعی می‌تواند به کاهش تعداد گیت T در مقیاس کوانتومی کمک کند. آنها الگوریتم AlphaTensor-Quantum را ایجاد کردند که از یادگیری تقویتی عمیق برای بهینه سازی مدارهای کوانتومی استفاده می‌کند. در این رویکرد از گجت‌ها استفاده می‌کنند که پیکربندی‌های خاصی هستند و می‌توانند تعداد کلی T را کاهش دهند. این الگوریتم اساساً بهترین راه را برای ترتیب عملیات یک کامپیوتر کوانتومی پیدا می‌کند. به بیان دیگر این الگوریتم می‌تواند نحوه انجام عملیات را کنترل کند، بنابراین می‌تواند با استفاده از مراحل کمتر، مسائل پیچیده را بهینه‌تر حل کند. هوش مصنوعی کدی را ارائه می‌دهد و کامپیوتر کوانتومی با اجرا این کدها می‌تواند محاسبات کوانتومی را سریع‌تر و مؤثرتر انجام دهد. این الگوریتم همچنین می‌تواند دانش خود را در طی فرایند بهینه‌سازی خود ارتقا دهد که آن را قادر می‌سازد تا از روش‌های کاهش گیت T موجود بهتر عمل کند. محققان از مدل AlphaTensor گوگل دیپ مایند برای ایجاد الگوریتم‌های ضرب ماتریس جدید استفاده کردند. نتیجه این آزمایش با بهترین راه‌حل‌های طراحی‌شده توسط انسان مطابقت داشت. این فرایند از هوش مصنوعی را می‌توان تقریباً در تمام پلتفرم‌های محاسباتی کوانتومی اعمال کرد و به کار گرفت.