Variational Quantum Eigensolver
A hybrid algorithm using quantum and classical computers to simulate molecular energies.
O Variational Quantum Eigensolver (VQE) é um algoritmo híbrido quantum-clássico projetado para encontrar os eigenvalues e eigenvectors de um Hamiltoniano dado, particularmente útil para resolver problemas em química quântica e ciência de materiais. Ele aproveita os pontos fortes da computação quântica e clássica. A ideia central é usar um computador quântico para preparar um estado quântico parametrizado, frequentemente referido como 'ansatz', e então medir o valor esperado do Hamiltoniano em relação a este estado. Este valor esperado corresponde a uma estimativa de energia. Um computador clássico então pega esta estimativa de energia e usa um algoritmo de otimização clássico para ajustar os parâmetros do estado quântico, visando minimizar a energia. Este processo é iterativo: o computador quântico prepara um novo estado com base nos parâmetros atualizados, o computador clássico mede sua energia, e o otimizador atualiza os parâmetros novamente. Isso continua até que a energia convirja para um mínimo, que, de acordo com o princípio variacional, aproxima a energia do estado fundamental do Hamiltoniano. O aspecto 'variacional' refere-se ao uso do princípio variacional, que afirma que o valor esperado do Hamiltoniano para qualquer estado normalizado é sempre maior ou igual à energia do estado fundamental. A parte 'eigensolver' indica seu objetivo de encontrar eigenvalues (energias) e eigenvectors (estados). As desvantagens incluem a escolha do ansatz, que deve ser expressivo o suficiente para representar o estado fundamental real, mas raso o suficiente para ser implementável em dispositivos quânticos de escala intermediária ruidosos (NISQ) atuais. A eficiência do otimizador clássico e os níveis de ruído nas computações quânticas também impactam significativamente o desempenho do 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;
🧠 Teste de conhecimento
🧒 Explique como se eu tivesse 5 anos
É como tentar encontrar o ponto mais baixo em uma paisagem montanhosa usando um robô (computador quântico) para explorar diferentes locais e um cartógrafo (computador clássico) para guiar o robô para um terreno mais baixo até que ele não consiga mais descer.