Variational Quantum Eigensolver
A hybrid algorithm using quantum and classical computers to simulate molecular energies.
Algorytm Variational Quantum Eigensolver (VQE) jest hybrydowym algorytmem kwantowo-klasycznym zaprojektowanym do znajdowania wartości własnych i wektorów własnych danego Hamiltonianu, szczególnie użytecznym do rozwiązywania problemów w chemii kwantowej i nauce o materiałach. Wykorzystuje on mocne strony zarówno obliczeń kwantowych, jak i klasycznych. Podstawową ideą jest użycie komputera kwantowego do przygotowania parametryzowanego stanu kwantowego, często określanego jako 'ansatz', a następnie pomiar wartości oczekiwanej Hamiltonianu względem tego stanu. Ta wartość oczekiwana odpowiada estymacji energii. Komputer klasyczny następnie pobiera tę estymację energii i używa klasycznego algorytmu optymalizacji do dostosowania parametrów stanu kwantowego, mając na celu minimalizację energii. Proces ten jest iteracyjny: komputer kwantowy przygotowuje nowy stan na podstawie zaktualizowanych parametrów, komputer klasyczny mierzy jego energię, a optymalizator ponownie aktualizuje parametry. Dzieje się tak do momentu, aż energia zbiegnie do minimum, co zgodnie z zasadą wariacyjną przybliża energię stanu podstawowego Hamiltonianu. Aspekt 'wariacyjny' odnosi się do zastosowania zasady wariacyjnej, która mówi, że wartość oczekiwana Hamiltonianu dla dowolnego znormalizowanego stanu jest zawsze większa lub równa energii stanu podstawowego. Część 'eigensolver' wskazuje na cel znalezienia wartości własnych (energii) i wektorów własnych (stanów). Kompromisy obejmują wybór ansatzu, który musi być wystarczająco ekspresyjny, aby reprezentować rzeczywisty stan podstawowy, ale wystarczająco płytki, aby można go było zaimplementować na obecnych urządzeniach typu noisy intermediate-scale quantum (NISQ). Wydajność klasycznego optymalizatora i poziomy szumu w obliczeniach kwantowych również znacząco wpływają na wydajność VQE.
graph LR
Center["Variational Quantum Eigensolver"]:::main
Pre_qubit["qubit"]:::pre --> Center
click Pre_qubit "/terms/qubit"
Rel_quantum_approximate_optimization_algorithm["quantum-approximate-optimization-algorithm"]:::related -.-> Center
click Rel_quantum_approximate_optimization_algorithm "/terms/quantum-approximate-optimization-algorithm"
Rel_decoherence["decoherence"]:::related -.-> Center
click Rel_decoherence "/terms/decoherence"
Rel_artificial_intelligence["artificial-intelligence"]:::related -.-> Center
click Rel_artificial_intelligence "/terms/artificial-intelligence"
classDef main fill:#7c3aed,stroke:#8b5cf6,stroke-width:2px,color:white,font-weight:bold,rx:5,ry:5;
classDef pre fill:#0f172a,stroke:#3b82f6,color:#94a3b8,rx:5,ry:5;
classDef child fill:#0f172a,stroke:#10b981,color:#94a3b8,rx:5,ry:5;
classDef related fill:#0f172a,stroke:#8b5cf6,stroke-dasharray: 5 5,color:#94a3b8,rx:5,ry:5;
linkStyle default stroke:#4b5563,stroke-width:2px;
🧠 Sprawdzenie wiedzy
🧒 Wyjaśnij jak 5-latkowi
To jest jak próba znalezienia najniższego punktu w pagórkowatym krajobrazie, używając robota (komputera kwantowego) do eksploracji różnych miejsc i kartografa (komputera klasycznego) do kierowania robota na niższy teren, dopóki nie będzie mógł zejść niżej.