I marts 2025 annoncerede D-Wave resultater fra sin Advantage2 superledende kvanteudglødningsmaskine (quantum annealer), et system med omkring 5.000 qubits. Virksomheden rapporterede, at maskinen simulerede kompleks magnetisk materialedynamik på under cirka 20 minutter, mens de estimerede, at den samme beregning på en klassisk supercomputer ville tage tæt på en million år.

Opgaven gik ud på at simulere dynamikken i uordnede magnetiske systemer – specifikt Ising spin-glasmodeller arrangeret i gitterstrukturer. Ifølge virksomheden og dens samarbejdspartnere kæmpede eksisterende klassiske teknikker med at skalere til disse store kvantesystemer, hvilket fik dem til at beskrive resultatet som en demonstration af "ud over klassisk"-beregning.

Sådanne påstande falder ind under begrebet kvante-overlegenhed (eller kvante-fordel): det punkt, hvor en kvanteenhed udfører en opgave, som klassiske computere ikke kan fuldføre inden for en praktisk tidsramme.

Det klassiske gennembrud

Holdet fra Flatiron og Boston University gik tilbage til det nøjagtige samme fysiske simuleringsproblem. I stedet for at forsøge at spore den fulde kvantetilstand direkte – en beregning, der vokser eksponentielt med antallet af qubits – udnyttede de matematisk struktur i systemet.

Deres metode kombinerede flere ideer:

• To- og tredimensionelle tensor-netværk arrangeret til at afspejle gittergeometrien i spin-systemet
• Belief propagation, en message-passing-algoritme, der hjælper med at opdatere netværket effektivt
• Tensor-netværkskomprimeringsteknikker, der holder repræsentationen håndterbar, efterhånden som sammenfiltringen vokser

Ved at udvikle gitter-specifikke tensor-netværk og bruge belief propagation-opdateringer under simuleringen kunne algoritmen følge systemets dynamik uden eksplicit at repræsentere den fulde 5.000-qubit-bølgefunktion. Dette reducerede dramatisk beregningsomkostningerne samtidig med at opretholde høj nøjagtighed.

Ifølge forskerne kan tilgangen nøjagtigt og effektivt simulere den samme kvanteudglødningsdynamik, som tidligere blev hævdet at være uden for klassisk rækkevidde.

Hvorfor nogle simuleringer kunne køre på en bærbar

Tensor-netværk fungerer ved at komprimere kvantetilstande. I stedet for at gemme hver amplitude af den eksponentielt store bølgefunktion, fanger de kun de korrelationer, der faktisk optræder i systemet.

For mange fysiske systemer – især dem med strukturerede gitterinteraktioner – vokser mængden af sammenfiltring på en måde, der stadig kan tilnærmes kompakt. Når det sker, kan tensor-netværksrepræsentationer spore systemet med langt færre parametre, end en brute-force-simulering ville kræve.

I Flatiron-studiet gjorde kombinationen af disse tensor-netværksrepræsentationer med belief propagation simuleringen så effektiv, at nogle instanser kunne køre på helt almindelige personlige computere i stedet for massive supercomputere.

Hvad dette betyder for "kvante-fordel"

Resultatet beviser ikke, at kvantecomputere mangler fordele. I stedet fremhæver det en vigtig realitet på området: målestokken flytter sig konstant.

Påstande om kvante-fordel sammenligner typisk kvantehardware med de bedst kendte klassiske algoritmer på det pågældende tidspunkt. Men klassiske metoder – især tensor-netværk, Monte Carlo-tilgange og andre tilnærmelsesteknikker – fortsætter med at forbedre sig hurtigt.

Det betyder, at en opgave, der ser umulig ud for klassiske maskiner i dag, kan blive overkommelig i morgen, hvis nogen finder en bedre algoritme. Flatiron-arbejdet demonstrerer netop den dynamik: flaskehalsen var ikke fundamentale beregningsmæssige begrænsninger, men tilstanden af de klassiske algoritmer, der blev brugt til sammenligning.

Det igangværende kapløb

Som et resultat bliver standarden for at demonstrere kvante-fordel strengere. Forskere leder i stigende grad efter problemer, hvor:

• klassiske algoritmer sandsynligvis ikke vil forbedre sig dramatisk
• kvantehardware tilbyder en klar skaleringsfordel
• resultater kan verificeres uafhængigt

Episoden illustrerer et bredere mønster i beregningsvidenskab: fremskridt kommer ofte fra både hardware og algoritmer. Kvanteprocessorer forbedres, men klassiske algoritmer udvikler sig lige så hurtigt.

Indtil videre forbliver konkurrencen mellem de to et aktivt kapløb – og hver ny påstand om kvante-fordel må overleve det næste gennembrud inden for klassisk beregning.

I marts 2025 annoncerede D-Wave resultater fra sin Advantage2 superledende kvanteudglødningsmaskine (quantum annealer), et system med omkring 5.000 qubits. Virksomheden rapporterede, at maskinen simulerede kompleks magnetisk materialedynamik på under cirka 20 minutter, mens de estimerede, at den samme beregning på en klassisk supercomputer ville tage tæt på en million år.

Opgaven gik ud på at simulere dynamikken i uordnede magnetiske systemer – specifikt Ising spin-glasmodeller arrangeret i gitterstrukturer. Ifølge virksomheden og dens samarbejdspartnere kæmpede eksisterende klassiske teknikker med at skalere til disse store kvantesystemer, hvilket fik dem til at beskrive resultatet som en demonstration af "ud over klassisk"-beregning.

Sådanne påstande falder ind under begrebet kvante-overlegenhed (eller kvante-fordel): det punkt, hvor en kvanteenhed udfører en opgave, som klassiske computere ikke kan fuldføre inden for en praktisk tidsramme.

Det klassiske gennembrud

Holdet fra Flatiron og Boston University gik tilbage til det nøjagtige samme fysiske simuleringsproblem. I stedet for at forsøge at spore den fulde kvantetilstand direkte – en beregning, der vokser eksponentielt med antallet af qubits – udnyttede de matematisk struktur i systemet.

Deres metode kombinerede flere ideer:

• To- og tredimensionelle tensor-netværk arrangeret til at afspejle gittergeometrien i spin-systemet
• Belief propagation, en message-passing-algoritme, der hjælper med at opdatere netværket effektivt
• Tensor-netværkskomprimeringsteknikker, der holder repræsentationen håndterbar, efterhånden som sammenfiltringen vokser

Ved at udvikle gitter-specifikke tensor-netværk og bruge belief propagation-opdateringer under simuleringen kunne algoritmen følge systemets dynamik uden eksplicit at repræsentere den fulde 5.000-qubit-bølgefunktion. Dette reducerede dramatisk beregningsomkostningerne samtidig med at opretholde høj nøjagtighed.

Ifølge forskerne kan tilgangen nøjagtigt og effektivt simulere den samme kvanteudglødningsdynamik, som tidligere blev hævdet at være uden for klassisk rækkevidde.

Hvorfor nogle simuleringer kunne køre på en bærbar

Tensor-netværk fungerer ved at komprimere kvantetilstande. I stedet for at gemme hver amplitude af den eksponentielt store bølgefunktion, fanger de kun de korrelationer, der faktisk optræder i systemet.

For mange fysiske systemer – især dem med strukturerede gitterinteraktioner – vokser mængden af sammenfiltring på en måde, der stadig kan tilnærmes kompakt. Når det sker, kan tensor-netværksrepræsentationer spore systemet med langt færre parametre, end en brute-force-simulering ville kræve.

I Flatiron-studiet gjorde kombinationen af disse tensor-netværksrepræsentationer med belief propagation simuleringen så effektiv, at nogle instanser kunne køre på helt almindelige personlige computere i stedet for massive supercomputere.

Hvad dette betyder for "kvante-fordel"

Resultatet beviser ikke, at kvantecomputere mangler fordele. I stedet fremhæver det en vigtig realitet på området: målestokken flytter sig konstant.

Påstande om kvante-fordel sammenligner typisk kvantehardware med de bedst kendte klassiske algoritmer på det pågældende tidspunkt. Men klassiske metoder – især tensor-netværk, Monte Carlo-tilgange og andre tilnærmelsesteknikker – fortsætter med at forbedre sig hurtigt.

Det betyder, at en opgave, der ser umulig ud for klassiske maskiner i dag, kan blive overkommelig i morgen, hvis nogen finder en bedre algoritme. Flatiron-arbejdet demonstrerer netop den dynamik: flaskehalsen var ikke fundamentale beregningsmæssige begrænsninger, men tilstanden af de klassiske algoritmer, der blev brugt til sammenligning.

Det igangværende kapløb

Som et resultat bliver standarden for at demonstrere kvante-fordel strengere. Forskere leder i stigende grad efter problemer, hvor:

• klassiske algoritmer sandsynligvis ikke vil forbedre sig dramatisk
• kvantehardware tilbyder en klar skaleringsfordel
• resultater kan verificeres uafhængigt

Episoden illustrerer et bredere mønster i beregningsvidenskab: fremskridt kommer ofte fra både hardware og algoritmer. Kvanteprocessorer forbedres, men klassiske algoritmer udvikler sig lige så hurtigt.

Indtil videre forbliver konkurrencen mellem de to et aktivt kapløb – og hver ny påstand om kvante-fordel må overleve det næste gennembrud inden for klassisk beregning.