Klassinen kannettava päihitti kvanttitietokoneen? Tutkijat kumosivat D-Waven väitteen kvanttiylivoimasta
D Wave väitti vuonna 2025, että sen Advantage2 kvanttiannealing prosessori ratkaisi spin lasidynamiikan ongelman minuuteissa – tehtävän, jonka väitettiin vaativan supertietokoneelta miljoonia vuosia.[5][13] Flatiron instituutin ja Bostonin yliopiston fyysikot osoittivat, että samat tulokset voidaan saavuttaa tensori...
JulkaisijaMuokattu mallilla GPT-5.5Kuvat luotu mallilla GPT Image 2
D Wave väitti vuonna 2025, että sen Advantage2 kvanttiannealing prosessori ratkaisi spin lasidynamiikan ongelman minuuteissa – tehtävän, jonka väitettiin vaativan supertietokoneelta miljoonia vuosia.[5][13]
Flatiron instituutin ja Bostonin yliopiston fyysikot osoittivat, että samat tulokset voidaan saavuttaa tensoriverkostoalgoritmeilla, jotka toimivat jopa tavallisella kannettavalla tietokoneella.[1][23][24]
Avain klassisen simuloinnin onnistumiseen on kvanttitilojen lomittumisen rakenne: jos lomittuminen noudattaa pinta alalakia, tensoriverkostot voivat tiivistää tilan tehokkaasti.[1][19]
Tulos ei kumoa kvanttitietokoneiden potentiaalia, mutta se osoittaa, että kvanttiylivoiman raja on monimutkaisempi kuin pelkkä kubittien määrä.
How did physicists from the Flatiron Institute and Boston University demonstrate that a classical computer—even a laptop using tensor‑networTensor‑network simulations can compress certain quantum states, allowing classical computers to model systems once thought to require quantum hardware.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: How did physicists from the Flatiron Institute and Boston University demonstrate that a classical computer—even a laptop using tensor‑networ. Article summary: They challenged D‑Wave’s claim by showing that the same quantum annealing dynamics in disordered Ising spin glasses can be reproduced accurately and efficiently with classical tensor‑network simulations, rather than requ. Topic tags: general, academic, news, general web, government. Reference image context from search candidates: Reference image 1: visual subject "Their paper detailed an experiment simulating a system with an array of tiny flipping magnets evolving over time. The researchers claimed that" source context "From The Flatiron Institute : “The Surprising Reason a Classical Computer Beat a Quantum Computer at Its Own Game” – sci" Reference image 2: v
openai.com
Vuonna 2025 D-Wave ilmoitti merkittävästä virstanpylväästä: sen Advantage2-kvanttiannealing-prosessori pystyi simuloimaan monimutkaisten spin-lasijärjestelmien dynamiikkaa huomattavasti nopeammin kuin klassiset tietokoneet. Yritys väitti, että samojen tulosten toistaminen klassisella supertietokoneella veisi lähes miljoona vuotta, ja asemoi kokeen osoitukseksi "klassisen laskennan ylittävästä" suorituskyvystä.
Flatiron-instituutin Center for Computational Quantum Physics -keskuksen fyysikot yhteistyössä Bostonin yliopiston kanssa osoittivat kuitenkin, että sama fysiikka voidaan toistaa huolellisesti suunnitelluilla klassisilla algoritmeilla. Heidän lähestymistapansa – joka perustuu tensoriverkostosimulaatioihin – oli niin tehokas, että se toimi vaatimattomallakin laitteistolla, mukaan lukien henkilökohtainen kannettava tietokone.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Klassinen kannettava päihitti kvanttitietokoneen? Tutkijat kumosivat D-Waven väitteen kvanttiylivoimasta"?
D Wave väitti vuonna 2025, että sen Advantage2 kvanttiannealing prosessori ratkaisi spin lasidynamiikan ongelman minuuteissa – tehtävän, jonka väitettiin vaativan supertietokoneelta miljoonia vuosia.[5][13]
What are the key points to validate first?
D Wave väitti vuonna 2025, että sen Advantage2 kvanttiannealing prosessori ratkaisi spin lasidynamiikan ongelman minuuteissa – tehtävän, jonka väitettiin vaativan supertietokoneelta miljoonia vuosia.[5][13] Flatiron instituutin ja Bostonin yliopiston fyysikot osoittivat, että samat tulokset voidaan saavuttaa tensoriverkostoalgoritmeilla, jotka toimivat jopa tavallisella kannettavalla tietokoneella.[1][23][24]
What should I do next in practice?
Avain klassisen simuloinnin onnistumiseen on kvanttitilojen lomittumisen rakenne: jos lomittuminen noudattaa pinta alalakia, tensoriverkostot voivat tiivistää tilan tehokkaasti.[1][19]
Klassinen kannettava päihitti kvanttitietokoneen? Tutkijat kumosivat D-Waven väitteen kvanttiylivoimasta
D Wave väitti vuonna 2025, että sen Advantage2 kvanttiannealing prosessori ratkaisi spin lasidynamiikan ongelman minuuteissa – tehtävän, jonka väitettiin vaativan supertietokoneelta miljoonia vuosia.[5][13] Flatiron instituutin ja Bostonin yliopiston fyysikot osoittivat, että samat tulokset voidaan saavuttaa tensori...
JulkaisijaMuokattu mallilla GPT-5.5Kuvat luotu mallilla GPT Image 2
D Wave väitti vuonna 2025, että sen Advantage2 kvanttiannealing prosessori ratkaisi spin lasidynamiikan ongelman minuuteissa – tehtävän, jonka väitettiin vaativan supertietokoneelta miljoonia vuosia.[5][13]
Flatiron instituutin ja Bostonin yliopiston fyysikot osoittivat, että samat tulokset voidaan saavuttaa tensoriverkostoalgoritmeilla, jotka toimivat jopa tavallisella kannettavalla tietokoneella.[1][23][24]
Avain klassisen simuloinnin onnistumiseen on kvanttitilojen lomittumisen rakenne: jos lomittuminen noudattaa pinta alalakia, tensoriverkostot voivat tiivistää tilan tehokkaasti.[1][19]
Tulos ei kumoa kvanttitietokoneiden potentiaalia, mutta se osoittaa, että kvanttiylivoiman raja on monimutkaisempi kuin pelkkä kubittien määrä.
How did physicists from the Flatiron Institute and Boston University demonstrate that a classical computer—even a laptop using tensor‑networTensor‑network simulations can compress certain quantum states, allowing classical computers to model systems once thought to require quantum hardware.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: How did physicists from the Flatiron Institute and Boston University demonstrate that a classical computer—even a laptop using tensor‑networ. Article summary: They challenged D‑Wave’s claim by showing that the same quantum annealing dynamics in disordered Ising spin glasses can be reproduced accurately and efficiently with classical tensor‑network simulations, rather than requ. Topic tags: general, academic, news, general web, government. Reference image context from search candidates: Reference image 1: visual subject "Their paper detailed an experiment simulating a system with an array of tiny flipping magnets evolving over time. The researchers claimed that" source context "From The Flatiron Institute : “The Surprising Reason a Classical Computer Beat a Quantum Computer at Its Own Game” – sci" Reference image 2: v
openai.com
Vuonna 2025 D-Wave ilmoitti merkittävästä virstanpylväästä: sen Advantage2-kvanttiannealing-prosessori pystyi simuloimaan monimutkaisten spin-lasijärjestelmien dynamiikkaa huomattavasti nopeammin kuin klassiset tietokoneet. Yritys väitti, että samojen tulosten toistaminen klassisella supertietokoneella veisi lähes miljoona vuotta, ja asemoi kokeen osoitukseksi "klassisen laskennan ylittävästä" suorituskyvystä.
Flatiron-instituutin Center for Computational Quantum Physics -keskuksen fyysikot yhteistyössä Bostonin yliopiston kanssa osoittivat kuitenkin, että sama fysiikka voidaan toistaa huolellisesti suunnitelluilla klassisilla algoritmeilla. Heidän lähestymistapansa – joka perustuu tensoriverkostosimulaatioihin – oli niin tehokas, että se toimi vaatimattomallakin laitteistolla, mukaan lukien henkilökohtainen kannettava tietokone.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Klassinen kannettava päihitti kvanttitietokoneen? Tutkijat kumosivat D-Waven väitteen kvanttiylivoimasta"?
D Wave väitti vuonna 2025, että sen Advantage2 kvanttiannealing prosessori ratkaisi spin lasidynamiikan ongelman minuuteissa – tehtävän, jonka väitettiin vaativan supertietokoneelta miljoonia vuosia.[5][13]
What are the key points to validate first?
D Wave väitti vuonna 2025, että sen Advantage2 kvanttiannealing prosessori ratkaisi spin lasidynamiikan ongelman minuuteissa – tehtävän, jonka väitettiin vaativan supertietokoneelta miljoonia vuosia.[5][13] Flatiron instituutin ja Bostonin yliopiston fyysikot osoittivat, että samat tulokset voidaan saavuttaa tensoriverkostoalgoritmeilla, jotka toimivat jopa tavallisella kannettavalla tietokoneella.[1][23][24]
What should I do next in practice?
Avain klassisen simuloinnin onnistumiseen on kvanttitilojen lomittumisen rakenne: jos lomittuminen noudattaa pinta alalakia, tensoriverkostot voivat tiivistää tilan tehokkaasti.[1][19]
Tulos ei kumoa kvanttilaskentaa. Sen sijaan se paljastaa, kuinka hienovarainen klassisen ja kvanttilaskennan välinen raja todellisuudessa on.
Alkuperäinen väite: Kvanttiannealing ylittää klassisen simuloinnin
D-Waven tutkimus keskittyi häiriintyneiden spin-järjestelmien kvanttidynamiikkaan, erityisesti poikittaiskentän Ising-malleihin, jotka edustavat magneettisia materiaaleja ja spin-lasifysiikkaa. Näiden järjestelmien simulointi on tunnetusti vaikeaa, koska kvanttitila-avaruus kasvaa eksponentiaalisesti vuorovaikuttavien spinien määrän myötä.
Käyttämällä suprajohtavaa Advantage2-kvanttiannealeriansa D-Wave tuotti näytteitä, jotka vastasivat tarkasti Schrödingerin yhtälön ennustamaa dynamiikkaa.
Yhtiö raportoi, että:
Kvanttiprosessori suoritti simuloinnin minuuteissa.
Klassiset simulaatiot tavanomaisilla menetelmillä olisivat vaatineet erittäin suuria supertietokoneresursseja ja epäkäytännöllisen pitkiä suoritusaikoja.
Nämä tulokset esitettiin todisteena siitä, että kvanttiprosessori oli saavuttanut käytännöllisen kvanttilaskennallisen edun monimutkaisten materiaalien simuloinnissa.
Klassinen vastaväite
Flatironin ja Bostonin yliopiston tutkijat tarkastelivat samaa spin-lasidynamiikkaa käyttämällä tensoriverkostomenetelmiä, jotka ovat joukko algoritmeja, jotka pakkaavat kvanttitiloja jäsennellyiksi matemaattisiksi objekteiksi.
Heidän tutkimuksensa osoitti, että kaksi- ja kolmiulotteiset tensoriverkostot pystyvät tarkasti ja tehokkaasti simuloimaan Isingin spin-lasien kvanttiannealing-dynamiikkaa useilla hilageometrioilla.
Tiimi sovitti tensoriverkostojen evoluutiomenetelmiä ja sisällytti niihin belief-propagation-tekniikoita pysyäkseen järjestelmän aikakehityksen aikana syntyvän lomittumisen vauhdissa. Tämä mahdollisti algoritmin ylläpitämään tarkkaa, mutta tiivistettyä esitystä kvanttitilasta.
Koska tilan esitys pysyi kompaktina, simulaatiot saattoivat toimia suhteellisen vaatimattomalla laitteistolla – mikä osoitti, että väitetysti vaikea tehtävä ei välttämättä vaatinut suurta kvanttitietokonetta.
Miksi tensoriverkostot toimivat niin hyvin
Keskeinen oivallus liittyy lomittumisen rakenteeseen.
D-Waven oma analyysi raportoi, että simuloidut järjestelmät osoittivat pinta-alalain mukaista lomittumista niiden kvanttijäähdytysdynamiikassa.
Tällä yksityiskohdalla on valtava merkitys simuloinnin monimutkaisuuden kannalta.
Kun kvanttijärjestelmä noudattaa pinta-alalakia:
Lomittuminen kasvaa alueiden reunalla eikä niiden tilavuudessa.
Kvanttitila voidaan usein tiivistää tehokkaasti.
Tensoriverkostoesitykset pysyvät hallittavissa jopa melko suurille järjestelmille.
Tensoriverkostot on suunniteltu erityisesti hyödyntämään tätä rakennetta, mikä antaa klassisille tietokoneille mahdollisuuden simuloida tiettyjä monen kappaleen kvanttijärjestelmiä, jotka muutoin vaikuttaisivat eksponentiaalisesti monimutkaisilta.
Mitä tämä tarkoittaa "kvanttiylivoimalle"
Tulos ei todista, että klassiset tietokoneet pystyvät simuloimaan kaikkia kvanttiprosesseja tehokkaasti. Sen sijaan se osoittaa, että pelkkä suuri kubittien määrä ei takaa klassista estettä.
Todellinen jakolinja on hienovaraisempi:
Jos kvanttijärjestelmä tuottaa erittäin monimutkaista, tilavuuslain mukaista lomittumista, klassinen simulointi muuttuu erittäin vaikeaksi.
Jos sen lomittuminen pysyy jäsenneltynä tai rajoitettuna (esimerkiksi pinta-alalain mukaisena), tensoriverkostotekniikat voivat silti simuloida sitä tehokkaasti.
Toisin sanoen kvanttilaitteiston etu riippuu vähemmän kubittien määrästä ja enemmän tuotettavan kvanttitilan rakenteesta.
Suurempi opetus kvanttilaskennalle
Tämä tapaus havainnollistaa toistuvaa kaavaa kvanttilaskennan tutkimuksessa. Väitteet kvanttiedusta johtavat usein nopeisiin parannuksiin klassisissa algoritmeissa, jotka on suunniteltu toistamaan samat tulokset.
Sen sijaan, että tämä heikentäisi alaa, tämä dynamiikka auttaa selventämään, missä kvanttilaitteet todella ylittävät klassiset menetelmät. Jokainen haaste pakottaa tutkijat tunnistamaan tarkat fysikaaliset olosuhteet, joissa klassiset kompressointitekniikat epäonnistuvat.
Toistaiseksi Flatironin ja Bostonin yliopiston työ viittaa siihen, että klassisen ja kvanttiedun välinen raja on kapeampi – ja riippuvaisempi lomittumisen rakenteesta – kuin yksinkertaiset laitteistojen vertailut antaisivat ymmärtää.
Kvanttilaitteiston kehittyessä edelleen, seuraavan sukupolven kokeet keskittyvät todennäköisesti alueisiin, joilla tensoriverkostokompressio hajoaa, tarjoten selkeämmän osoituksen aidosti vaikeasta kvanttidynamiikasta.
phys.orgQuantum supremacy just ran into an unexpected rival - Phys.org
Tulos ei kumoa kvanttilaskentaa. Sen sijaan se paljastaa, kuinka hienovarainen klassisen ja kvanttilaskennan välinen raja todellisuudessa on.
Alkuperäinen väite: Kvanttiannealing ylittää klassisen simuloinnin
D-Waven tutkimus keskittyi häiriintyneiden spin-järjestelmien kvanttidynamiikkaan, erityisesti poikittaiskentän Ising-malleihin, jotka edustavat magneettisia materiaaleja ja spin-lasifysiikkaa. Näiden järjestelmien simulointi on tunnetusti vaikeaa, koska kvanttitila-avaruus kasvaa eksponentiaalisesti vuorovaikuttavien spinien määrän myötä.
Käyttämällä suprajohtavaa Advantage2-kvanttiannealeriansa D-Wave tuotti näytteitä, jotka vastasivat tarkasti Schrödingerin yhtälön ennustamaa dynamiikkaa.
Yhtiö raportoi, että:
Kvanttiprosessori suoritti simuloinnin minuuteissa.
Klassiset simulaatiot tavanomaisilla menetelmillä olisivat vaatineet erittäin suuria supertietokoneresursseja ja epäkäytännöllisen pitkiä suoritusaikoja.
Nämä tulokset esitettiin todisteena siitä, että kvanttiprosessori oli saavuttanut käytännöllisen kvanttilaskennallisen edun monimutkaisten materiaalien simuloinnissa.
Klassinen vastaväite
Flatironin ja Bostonin yliopiston tutkijat tarkastelivat samaa spin-lasidynamiikkaa käyttämällä tensoriverkostomenetelmiä, jotka ovat joukko algoritmeja, jotka pakkaavat kvanttitiloja jäsennellyiksi matemaattisiksi objekteiksi.
Heidän tutkimuksensa osoitti, että kaksi- ja kolmiulotteiset tensoriverkostot pystyvät tarkasti ja tehokkaasti simuloimaan Isingin spin-lasien kvanttiannealing-dynamiikkaa useilla hilageometrioilla.
Tiimi sovitti tensoriverkostojen evoluutiomenetelmiä ja sisällytti niihin belief-propagation-tekniikoita pysyäkseen järjestelmän aikakehityksen aikana syntyvän lomittumisen vauhdissa. Tämä mahdollisti algoritmin ylläpitämään tarkkaa, mutta tiivistettyä esitystä kvanttitilasta.
Koska tilan esitys pysyi kompaktina, simulaatiot saattoivat toimia suhteellisen vaatimattomalla laitteistolla – mikä osoitti, että väitetysti vaikea tehtävä ei välttämättä vaatinut suurta kvanttitietokonetta.
Miksi tensoriverkostot toimivat niin hyvin
Keskeinen oivallus liittyy lomittumisen rakenteeseen.
D-Waven oma analyysi raportoi, että simuloidut järjestelmät osoittivat pinta-alalain mukaista lomittumista niiden kvanttijäähdytysdynamiikassa.
Tällä yksityiskohdalla on valtava merkitys simuloinnin monimutkaisuuden kannalta.
Kun kvanttijärjestelmä noudattaa pinta-alalakia:
Lomittuminen kasvaa alueiden reunalla eikä niiden tilavuudessa.
Kvanttitila voidaan usein tiivistää tehokkaasti.
Tensoriverkostoesitykset pysyvät hallittavissa jopa melko suurille järjestelmille.
Tensoriverkostot on suunniteltu erityisesti hyödyntämään tätä rakennetta, mikä antaa klassisille tietokoneille mahdollisuuden simuloida tiettyjä monen kappaleen kvanttijärjestelmiä, jotka muutoin vaikuttaisivat eksponentiaalisesti monimutkaisilta.
Mitä tämä tarkoittaa "kvanttiylivoimalle"
Tulos ei todista, että klassiset tietokoneet pystyvät simuloimaan kaikkia kvanttiprosesseja tehokkaasti. Sen sijaan se osoittaa, että pelkkä suuri kubittien määrä ei takaa klassista estettä.
Todellinen jakolinja on hienovaraisempi:
Jos kvanttijärjestelmä tuottaa erittäin monimutkaista, tilavuuslain mukaista lomittumista, klassinen simulointi muuttuu erittäin vaikeaksi.
Jos sen lomittuminen pysyy jäsenneltynä tai rajoitettuna (esimerkiksi pinta-alalain mukaisena), tensoriverkostotekniikat voivat silti simuloida sitä tehokkaasti.
Toisin sanoen kvanttilaitteiston etu riippuu vähemmän kubittien määrästä ja enemmän tuotettavan kvanttitilan rakenteesta.
Suurempi opetus kvanttilaskennalle
Tämä tapaus havainnollistaa toistuvaa kaavaa kvanttilaskennan tutkimuksessa. Väitteet kvanttiedusta johtavat usein nopeisiin parannuksiin klassisissa algoritmeissa, jotka on suunniteltu toistamaan samat tulokset.
Sen sijaan, että tämä heikentäisi alaa, tämä dynamiikka auttaa selventämään, missä kvanttilaitteet todella ylittävät klassiset menetelmät. Jokainen haaste pakottaa tutkijat tunnistamaan tarkat fysikaaliset olosuhteet, joissa klassiset kompressointitekniikat epäonnistuvat.
Toistaiseksi Flatironin ja Bostonin yliopiston työ viittaa siihen, että klassisen ja kvanttiedun välinen raja on kapeampi – ja riippuvaisempi lomittumisen rakenteesta – kuin yksinkertaiset laitteistojen vertailut antaisivat ymmärtää.
Kvanttilaitteiston kehittyessä edelleen, seuraavan sukupolven kokeet keskittyvät todennäköisesti alueisiin, joilla tensoriverkostokompressio hajoaa, tarjoten selkeämmän osoituksen aidosti vaikeasta kvanttidynamiikasta.
phys.orgQuantum supremacy just ran into an unexpected rival - Phys.org
markets.ft.comBeyond Classical: D-Wave First to Demonstrate Quantum Supremacy on Useful, Real-World Problem – Company Announcement
dataconomy.comD-Wave Claims Quantum Supremacy: Experts Are Not ...
arxiv.orgDynamics of disordered quantum systems with two- and three-dimensional tensor networks
thequantuminsider.comQuantum Dynamics Advance Overturns Claim of ‘Quantum Supremacy,’ Opens New Research Directions