Kvanttilaskennan saavutettua ehdotonta eksponentiaalista nopeutusta

Mikä aiemmin oli vain paperilla, on nyt todistettu käytännössä. Kvanttilaskennan lupaamukset ovat toteutuneet todellisuudessa, kun ne lyövät perinteiset tietokoneet eksponentiaalisesti ja ehdottomasti¹.

Tähän tutkijaryhmä, jota johti Daniel Lidar, sähkö- ja tietotekniikan professori USC Viterbin insinööritieteellisessä tiedekunnassa, käytti älykästä virheenkorjausta ja IBM:n voimakkaita 127-kubittisten prosessoreita, mikä mahdollisti heidän ratkaista Simonin ongelman variantin, osoittaen, että kvanttilaitteet ovat nyt rikkoutumassa perinteisten rajoitusten ulkopuolelle.

Kvanttilaskennan ylittäminen perinteisten rajoitusten ja melun yli

Vuosikymmenien ajan perinteinen laskenta on ollut normi. Viime vuosina kvanttilaskenta on kokenut merkittävän kehityksen.

Tietojenkäsittelytieteen uusi ala, kvanttilaskenta, hyödyntää kvanttimekaniikan periaatteita (joka selittää aineen ja energian luonnetta ja käyttäytymistä atomisella ja subatomisella tasolla) dramaattisesti lisätäkseen laskennan nopeutta.

Kvanttifysiikkaa käyttäen kvanttilaskenta pyrkii ratkaisemaan ongelmia, jotka ovat liian monimutkaisia perinteisille tietokoneille, joita käytämme päivittäin. Itse asiassa kvanttilaskenta voi ratkaista tiettyjä monimutkaisia simulaatio-ongelmia, jotka vaatisivat perinteiseltä supertietokoneelta satoja tuhansia vuosia.

Oikean algoritminen etu perinteisiin tietokoneisiin on yksi kvanttilaskennan tärkeimmistä tavoitteista, jotta voidaan mahdollistaa tulevat läpimurrot kemiassa, salakirjoituksessa, optimoinnissa ja muissa aloilla.

Tähän vaaditaan erikoistunutta kvanttilaskennan laitteistoa ja algoritmeja, jotka hyödyntävät kvanttiominaisuuksia, kuten suppenemista ja sidostusta. Lisäksi melu on suuri ongelma kvanttitietokoneille.

Algoritminen etu perinteisiin tietokoneisiin nykyisillä epätäydellisillä ja meluisilla kvanttilaitteilla on edelleen haaste.

Suunnittelijat ovat alkaneet tutkia uusia ratkaisuja, kuten NISQ-koneita, mutta nämä meluiset välikokoiset kvanttilaitteet toimivat toistaiseksi vain suhteellisen pienellä asteikolla, useiden satojen kubittien mittakaavalla.

Ne ovat myös alttiita heikentymään johtuen dekoherenssista (kvanttiyhtenäisyyden menetyksestä, joka liittyy järjestelmän tiedon menetykseen ympäristöönsä) ja ohjausvirheistä.

Tämän vuoksi fokus on algoritmin nopeuttamisessa näillä laitteilla, mikä on yksinkertaisesti skaalautuva etu. Vaikka useita tällaisia demoja on tehty, valittujen ongelmien monimutkaisuus perustui joko tietyille perinteisille algoritmeille tai laskennallisiin kompleksisuuden oletuksiin.

Viime aikoina algoritminen kvantinopeutus, joka ei riipu todistamattomista oletuksista, on osoitettu orakkelimallissa.

Tämä osoitettiin Bernstein-Vaziranin algoritmilla, joka havaittiin asetettaessa IBM Quantum -prosessoriin, jossa ei-toivottu melua poistettiin dynaamisen dekoherenssin (DD) avulla, yleinen virheen torjuntatekniikka NISQ-laitteille.

Nyt Etelä-Carolinan yliopiston tutkijaryhmä on ratkaisemassa melun ongelmaa toteuttamalla Simonin ongelman variantin. Tämä on tunnettu esimerkki, jossa teoreettisesti kvanttilaskenta voi ratkaista tehtävän eksponentiaalisesti nopeammin kuin perinteiset vastineensa ehdottomasti.

Achieving Unconditional Quantum Speedup

Jotta voidaan todella löytää uusia materiaaleja, murtaa koodauksia ja suunnitella uusia lääkkeitä kvanttitietokoneiden avulla nopeuttamalla laskentaa, ne tarvitsevat toimivuutta.

Mutta kuten mainittiin aiemmin, melu tai virheet estävät kvanttitietokoneita. Virheet, jotka syntyvät laskentojen aikana kvanttilaitteessa, tekevät kvanttitietokoneista jopa heikompia kuin perinteiset tietokoneet. Tämä oli kunnes nyt.

Lidar USC:stä on työskennellyt kvanttivirheenkorjauksessa ja osoittanut kvantin eksponentiaalisen skaalautuvan edun pilvessä.

Tämä käy ilmi tutkimuksessa ’Demonstration of Algorithmic Quantum Speedup for an Abelian Hidden Subgroup Problem’, jossa Lidar työskenteli yhteistyössä USC:n ja Johns Hopkinsin tutkijoiden kanssa.

”Aikaisemmin on osoitettu vaatimattomampia nopeutuksia, kuten polynomimaista nopeutusta. Mutta eksponentiaalinen nopeutus on dramaattisin nopeutus, jonka odotamme näkevämme kvanttitietokoneissa.”

Kvanttilaskennan tärkein läpimurto on, Lidarin mukaan, osoittaa, että voimme suorittaa kokonaisia algoritmeja skaalautuvalla nopeudella verrattuna yleisiin tietokoneisiimme. Mutta kuten hän selitti, se ei tarkoita, että voit tehdä asioita 100-kertaisesti nopeammin.

Mutta mitä skaalautuva etu tarkoittaa, on, että ”kun ongelman koko kasvaa lisäämällä muuttujia, kvantin ja perinteisen suorituskyvyn välinen ero jatkuu kasvamassa. Ja eksponentiaalinen nopeutus tarkoittaa, että suorituskyvyn ero likimain kaksinkertaistuu jokaista lisättyä muuttujaa kohden”, Lidar selitti.

Hän sanoi, että saavutettu nopeutus on ”ehdoton”. Nyt, mitä tämä tarkoittaa, on, että nopeutus ei riipu todistamattomista oletuksista.

Aikaisemmat nopeutusväitteet vaativat oletuksen, ettei ole olemassa parempaa perinteistä algoritmia, jota vastaan kvanttalaskenta voidaan vertailla.

Tutkijaryhmä käytti algoritmia, jonka he muunsivat kvanttitietokoneelle ratkaisemaan Simonin ongelman variantin.

Nyt, jotta voidaan saavuttaa eksponentiaalinen nopeutus, ”avain on puristaa jokainen pisara suorituskyvystä laitteistosta: lyhyemmät piirit, älykkäämmät pulssijonot ja tilastollinen virheen torjunta”, huomautti ensimmäinen tekijä Phattharaporn Singkanipa, joka on USC:n tohtorikoulutettava.

Tutkijaryhmä saavutti tämän neljällä eri tavalla. Tutkijat rajoittivat ensin syötedataa rajoittamalla salattujen numeroiden määrää. Teknisesti tämä tehtiin rajoittamalla ykkösten määrää salattujen numeroiden binääriesityksessä. Tämä johti vähemmän kvanttilogisiin operaatioihin kuin muuten tarvittaisiin, mikä puolestaan vähensi virheiden kertymisen mahdollisuuksia.

Sitten he pakkasivat tarvittavat kvanttilogiset operaatiot transpilaation kautta, prosessin, jossa annettu syöte kirjoitetaan uudelleen vastaamaan tietyn kvanttilaitteen topologiaa.

Seuraavaksi sovellettiin ”dynaamista dekoherenssiä”, jolla oli suurin vaikutus tutkijoiden kykyyn osoittaa kvantinopeutus. Tämä menetelmä käsittää tarkoin suunniteltujen pulssien soveltamista erottamaan kubitin käyttäytyminen meluisasta ympäristöstään ja pitämään kvanttiprosessia kurssilla.

Lopuksi tutkijat sovelsivat mittausvirheen torjuntaa (MEM) löytääkseen ja korjatakseen tiettyjä virheitä. Tämän vaiheen tarkoituksena on korjata virheitä, jotka dynaaminen dekoherenssi jätti, johtuen kubittien tilan mittausvirheistä algoritmin lopussa.

Paving the Way to Quantum Utility

Kvanttilaskennan tarjoamaan merkittävät edut logistiikassa, materiaalitieteessä, rahoitusmallinnuksessa, tekoälyssä ja kyberTurvallisuudessa hyödyntämällä kvanttimekaanisia ilmiöitä monimutkaisten ongelmien ratkaisemiseksi, markkina on näkemässä merkittäviä panostuksia ja kasvua.

Yhteisö on myös alkanut osoittaa, miten kvanttiprosessorit voivat ylittää perinteiset vastineensa kohdennetuissa tehtävissä.

”Tutkimuksemme osoittaa, että jo nykyiset kvanttitietokoneet ovat vahvasti kvantin skaalautuvan edun puolella”, sanoi Lidar, joka on myös kemian ja fysiikan professori USC Dornsife College of Letters, Arts and Science -yliopistossa ja Quantum Elementsin perustaja, joka löytää tiensä kvantin hyödyllisyyteen laajassa mittakaavassa ja yhdistää käyttäjiä kvanttitietokoneisiin.

Muutama kuukausi sitten Quantum Elements -tiimi raportoi² saavuttaneensa läpimurron. Heidän uuden tekniikkansa, loogisen dynaamisen dekoherenssin, käsitellään loogisia virheitä, joka on jatkuva haaste kvanttilaskennassa.

Tutkijaryhmä osoitti, miten tämä tietty polku estää virheitä, joita perinteiset virheenkorjauskoodit eivät voi käsitellä, samalla pidetään rajoitettu kubittijalanjälki.

He yhdistivät virheenkorjauksen loogiseen dynaamiseen dekoherenssiin, mikä mahdollisti tutkijoiden parantaa merkittävästi sidostuneiden loogisten kubittien uskottavuutta, tuomalla käytännön kvanttitietokoneen sovellukset lähemmäs toteutumista.

Uusimman tutkimuksen mukaan Lidar sanoi, ”kvantin suorituskykyetua on yhä vaikeampi kiistää”, koska suorituskyvyn eroa ei voida kääntää, koska osoitettu eksponentiaalinen nopeutus on ”ehdoton”.

Tutkimus osoittaa epäilyksettä olevan algoritminen kvantinopeutus rajoitetun Hamming-painon (HW) version ongelman ratkaisemisessa käyttäen kahta eri IBM Quantum -prosessoria. Tutkijat löysivät parannetun kvantinopeutuksen, kun laskenta suojattiin DD:llä. MEM:n käyttö paransi skaalautuvaa etua edelleen.

MEM ja dynaaminen dekoherenssi käytettiin virheiden estämiseen ja muunnettiin sovitettaessa ongelmaa todellisiin kvanttilaitteisiin. Ne auttoivat ylläpitämään kvanttiyhtenäisyyttä ja parantamaan tarkkuutta laitteiston rajoituksista huolimatta.

Kokeidensa kautta tutkijat ovat tuoneet NISQ-algoritmit paljon lähemmäs kvantinopeutuksen osoittamista Shorin algoritmin kautta ja korostivat kvanttivirheenkorjaustekniikoiden tärkeää roolia tällaisessa osoituksessa.

Eksponentiaalisen nopeutuksen osoittaminen ongelman ratkaisemisessa todellisilla kvanttilaitteilla on ”tärkeä merkkipaalu alalle”, tutkijat totesivat.

”Kun laitteisto jatkaa parantumista, lähestymistapaamme availee tien entistä voimakkaammille kvanttiehtuisille lähitulevaisuudessa.”

Vaikka kaikki tämä on totta, ei ole käytännön sovelluksia tämän teknologian kanssa, paitsi voittaminen arvauksilla. Tämä on ollut totta myös muille alan edistymisille.

”Tarvitsemme ChatGPT-hetken kvanttille”, Francesco Ricciuti, liikekumppani VC-firmassa Runa Capital, oli sanonut CNBC:lle joulukuussa, kun Google esitteli uuden sirun, jonka se sanoi olevan merkittävä läpimurto kvanttilaskennassa.

Google:n kvanttipiiri on nimeltään Willow, jossa on 105 kubittia, ja se voi ilmeisesti vähentää virheitä ”eksponentiaalisesti”, kun kubittien määrää skaalataan. Tämä ”ratkaisee avainhaasteen kvanttivirheenkorjauksessa, jota ala on ajamassa lähes 30 vuotta”, sanoi Hartmut Neven, Google Quantum AI:n perustaja.

Willow suoritti laskennan, joka veisi nykyisille nopeimmille supertietokoneille 10 sekstiljoonaa vuotta, alle viidessä minuutissa.

”He yrittävät määritellä todella haasteellisen ongelman perinteisille tietokoneille, jonka he voivat ratkaista kvanttitietokoneilla. On upeaa, että he voivat tehdä sen, mutta se ei todella tarkoita, että se on hyödyllistä”, Ricciuti sanoi silloin.

Jopa Google sanoi, että heidän RCS-benchmarkillaan ”ei ole tunnettuja käytännön sovelluksia” ja ”tieteellisesti mielenkiintoiset kvanttijärjestelmien simulaatiot”, jotka he ovat tehneet ja joista on seurannut uusia tieteellisiä löytöjä, ovat ”edelleen perinteisten tietokoneiden ulottuvilla”.

Teknologiayhtiö on kuitenkin työskentelemässä siirtymiseksi algoritmeihin, jotka eivät ole ainoastaan perinteisten tietokoneiden ulottumattomissa, vaan myös ”käytännöllisiä käytännön ongelmiin”.

Aikaisemmin tänä vuonna Julian Kelly, Google Quantum AI:n laitteiston johtaja, sanoi, että ”voimme olla noin viisi vuotta pois käytännön, käytännön sovelluksen läpimurrosta, jota voidaan ratkaista ainoastaan kvanttitietokoneella”.

Nvidian toimitusjohtaja Jensen Huang uskoo myös, että kvanttilaskenta voi ”tarjota poikkeuksellisen vaikutuksen”, mutta huomautti, että teknologia on ”hullun kompakti”.

Lidarin mukaan ”paljon työtä on tehtävä ennen kuin kvanttitietokoneita voidaan väittää ratkaisseensa käytännön ongelman. Ja se vaatisi nopeutuksia, jotka eivät riipu orakkeleista, jotka tietävät vastauksen etukäteen. Lisäksi meidän on tehtävä merkittäviä edistymisiä menetelmissä vähentääksesi dekoherenssiä ja melua edelleen.

Silti eksponentiaalisen nopeutuksen osoittaminen, joka oli aiemmin vain ”paperilla oleva lupa” kvanttitietokoneille, tutkijat ovat saavuttaneet merkittävän merkkipaalu, josta on syytä juhlia.

Investing in Quantum Technology

Kvanttitietokoneiden edustaman merkittävän askelen eteenpäin laskentakapasiteetissa, useat laboratoriot, yliopistot, yritykset ja virastot ympäri maailmaa kehittävät kvanttilaskennan teknologiaa.

Joten, kun puhutaan sijoitusmahdollisuuksista, meillä on Amazon (AMZN ), Intel (INTC ) ja Microsoft (MSFT ) muiden muassa aktiivisesti tutkimassa alaa. Mutta tänään tarkastelemme IBM:n (IBM ) sijoituspotentiaalia, joka on kvanttilaitteiden uranuurtaja.

International Business Machines Corporation (IBM )

IBM:n 127-kubittiset prosessorit käytettiin itse USC-kokeessa. IBM esitteli tämän prosessorin marraskuussa 2021, jota seurasi 65-kubittinen ’Hummingbird’-prosessori vuonna 2020 ja 27-kubittinen ’Falcon’-prosessori vuosi sitten.

USC on itse asiassa IBM Quantum Innovation Center, kun taas Quantum Elements on startup-yritys IBM Quantum -verkostossa.

Yrityksellä on omistettu alusta, IBM Quantum, jonka tavoitteena on rakentaa ensimmäinen suurimittakaavan vikasietoinen kvanttitietokone. Teknologiayhtiö aikoo toimittaa järjestelmän, joka suorittaa 100 miljoonaa porttioperaatiota 200 loogisella kubitilla vuoteen 2029 mennessä. Tällä järjestelmällä IBM ”avaa kvanttilaskennan täydellisen voiman”.

IBM rakentaa tätä kvanttitietokonetta nimeltä ”Starling” New Yorkin kampuksellaan, ja se tukee syvää, virheenkorjattua piiriä. Yrityksen tiekartan mukaan se suunnittelee myös uuden IBM Quantum Nighthawk -prosessorin julkaisua tänä vuonna.

Viime kuussa se käytti Quantum System Twoa tutkimuskeskuksessa Japanissa. Ja tällä viikolla teknologiayhtiö osallistui startup Qedman 26 miljoonan dollarin rahoituskierrokseen, jonka CEO odottaa osoittavansa tänä vuonna ”luottavaisesti, että kvanttiehyys on täällä”. Qedma on jo saatavilla IBM:n Qiskit Functions Catalog -kautta, joka tekee kvantin saataville loppukäyttäjille.

Johtuen kvanttitietokoneiden johtavasta asemasta, yritys on pääasiassa tunnettu pilvi-, tekoäly- ja konsultointiasiantuntijuudestaan, jonka se tarjoaa Ohjelmisto-, konsultointi- ja infrastruktuurisegmenttien kautta.

Kun tarkastelemme IBM:n markkinasuoritusta, 268,6 miljardin dollarin markkina-arvolla varustetun yhtiön osakkeet kaupataan kirjoitushetkellä 289 dollarilla, mikä on 30,85 prosenttia vuoden alusta. IBM:n osakkeet ovat olleet mukana hyvää aikaa, ja hinnat ovat nousseet 145 prosenttia viimeisen kolmen vuoden aikana, ja yhtiö on saavuttanut uudet ennätykset esittäessään itsensä seuraavan sukupolven yritysten tarjoajana.

Sillä on EPS (TTM) 5,85, P/E (TTM) 49,81 ja ROE (TTM) 21,95 prosenttia. Osinkotuotto, joka on saatavilla osakkeenomistajille, on 2,31 prosenttia.

Rahoitussuorituksensa osalta IBM ilmoitti 1 prosentin kasvun liikevaihtoon 14,5 miljardiin dollariin vuoden 2025 ensimmäisellä neljänneksellä. Yrityksen GAAP-kansainvälinen bruttovoitto oli 55,2 prosenttia, ja sen non-GAAP-kansainvälinen bruttovoitto oli 56,6 prosenttia. Liiketoiminnan rahavirta oli 4,4 miljardia dollaria, ja vapaan rahavirran arvo oli 2 miljardia dollaria.

Toimitusjohtaja Arvind Krishna veti yhtiön myynti-, kannattavuus- ja vapaan rahavirran ylittävän odotukset ”vahvaan generatiivisen tekoälyn vaatimukseen”, ja IBM ”jatkaa optimistista teknologian ja maailmanlaajuisen talouden pitkän aikavälin kasvumahdollisuuksista”.

Latest IBM Stock News and Developments

Conclusion

Algoritminen kvantinopeutus, joka skaalautuu ongelman koosta, on avainasemassa kvanttitietokoneiden hyödyllisyyden vahvistamisessa. Niinpä ehdottoman, eksponentiaalisen nopeutuksen osoittaminen merkitsee merkittävää askelta kvanttilaskennassa, osoittaen, että nykyiset laitteet voivat murtaa perinteiset rajoitukset.

Tutkijoiden saavutus laajentaa merkittävästi orakkelialgoritmien kvantinopeutuksen ulottuvuutta, laajentaa empiiristen kvanttiehyys tuloksien rajoja ja osoittaa, että käytännölliset algoritmit ovat vihdoin ulottuvilla.

Yleisesti ottaen kvanttitietokoneiden matka kohti käytännön, arkipäivän sovelluksia on edelleen kehittymässä, ja jatkuva parantuminen on avain vapauttaa kvanttitietokoneiden täydellistä voimaa!

Klikkaa tästä luetteloon johtavista kvanttilaskennan yrityksistä.

Studies Referenced:

1. Singkanipa, P.; Kasatkin, V.; Zhou, Z.; Quiroz, G.; Lidar, D. A. Demonstration of Algorithmic Quantum Speedup for an Abelian Hidden Subgroup Problem. Phys. Rev. X 2025, 15 (2), 021082. https://doi.org/10.1103/PhysRevX.15.021082
2. Vezvaee, A.; Tripathi, V.; Morford-Oberst, M.; Butt, F.; Kasatkin, V.; Lidar, D. A. Demonstration of High-Fidelity Entangled Logical Qubits using Transmons. arXiv 2025, arXiv:2503.14472. https://doi.org/10.48550/arXiv.2503.14472