I mars 2025 annonserte D‑Wave resultater fra sin Advantage2 superledende kvanteanlegger, et system med omtrent 5 000 qubits. Selskapet rapporterte at maskinen simulerte komplekse magnetiske materialer på under 20 minutter, samtidig som de estimerte at samme beregning på en klassisk superdatamaskin ville ta nesten én million år.

Oppgaven gikk ut på å simulere dynamikken i uordnede magnetiske systemer – nærmere bestemt Ising-spinnglassmodeller arrangert i gitterstrukturer. Ifølge selskapet og dets samarbeidspartnere slet eksisterende klassiske metoder med å skalere til disse store kvantesystemene, noe som førte til at de beskrev resultatet som en demonstrasjon av «beregning utover det klassiske».

Slike påstander faller inn under konseptet kvanteoverlegenhet (eller kvantefordel): punktet der en kvanteenhet utfører en oppgave som klassiske datamaskiner ikke kan fullføre innenfor en praktisk tidsramme.

Det klassiske gjennombruddet

Flatiron–Boston University-teamet så på det samme fysiske simuleringsproblemet. I stedet for å forsøke å spore hele kvantetilstanden direkte – en beregning som vokser eksponentielt med antall qubits – utnyttet de matematisk struktur i systemet.

Metoden deres kombinerte flere ideer:

• To- og tredimensjonale tensor-nettverk arrangert for å speile gittergeometrien til spinnsystemet
• Belief propagation, en meldingspasseringsalgoritme som hjelper til med å oppdatere nettverket effektivt
• Tensor-nettverkskomprimeringsteknikker som holder representasjonen håndterbar etter hvert som sammenfiltringen vokser

Ved å utvikle gitter-spesifikke tensor-nettverk og bruke belief propagation-oppdateringer under simuleringen, kunne algoritmen følge systemets dynamikk uten å representere hele 5 000-qubits bølgefunksjonen eksplisitt. Dette reduserte beregningskostnadene dramatisk samtidig som høy nøyaktighet ble opprettholdt.

Ifølge forskerne kan tilnærmingen nøyaktig og effektivt simulere den samme kvanteanleggingsdynamikken som tidligere ble hevdet å være utenfor klassisk rekkevidde.

Hvorfor noen simuleringer kunne kjøres på en laptop

Tensor-nettverk fungerer ved å komprimere kvantetilstander. I stedet for å lagre hver amplitude av den eksponentielt store bølgefunksjonen, fanger de bare opp korrelasjonene som faktisk oppstår i systemet.

For mange fysiske systemer – spesielt de med strukturerte gitterinteraksjoner – vokser mengden av sammenfiltring på en måte som fortsatt kan tilnærmes kompakt. Når det skjer, kan tensor-nettverksrepresentasjoner spore systemet med langt færre parametere enn en råstyrkesimulering ville kreve.

I Flatiron-studien gjorde kombinasjonen av tensor-nettverksrepresentasjoner og belief propagation simuleringen så effektiv at noen tilfeller kunne kjøres på vanlige personlige datamaskiner i stedet for massive superdatamaskiner.

Hva dette betyr for «kvantefordel»

Resultatet beviser ikke at kvantedatamaskiner mangler fordeler. I stedet fremhever det en viktig realitet i feltet: målestokken flytter seg stadig.

Påstander om kvantefordel sammenligner vanligvis kvantehardware mot de beste kjente klassiske algoritmene på det tidspunktet. Men klassiske metoder – spesielt tensor-nettverk, Monte Carlo-tilnærminger og andre approksimasjonsteknikker – fortsetter å forbedre seg raskt.

Det betyr at en oppgave som virker umulig for klassiske maskiner i dag, kan bli mulig i morgen hvis noen finner en bedre algoritme. Flatiron-arbeidet demonstrerer nettopp denne dynamikken: flaskehalsen var ikke grunnleggende beregningsbegrensninger, men tilstanden til klassiske algoritmer brukt til sammenligning.

Det pågående kappløpet

Som et resultat blir standarden for å demonstrere kvantefordel stadig strengere. Forskere ser i økende grad etter problemer der:

• klassiske algoritmer er usannsynlig å forbedre seg dramatisk
• kvantehardware tilbyr en klar skaleringsfordel
• resultater kan verifiseres uavhengig

Denne episoden illustrerer et bredere mønster i beregningsvitenskap: fremgang kommer ofte fra både hardware og algoritmer. Kvanteprosessorer forbedrer seg, men klassiske algoritmer utvikler seg like raskt.

Foreløpig forblir konkurransen mellom de to et aktivt kappløp – og hver ny påstand om kvantefordel må overleve det neste gjennombruddet i klassisk beregning.

I mars 2025 annonserte D‑Wave resultater fra sin Advantage2 superledende kvanteanlegger, et system med omtrent 5 000 qubits. Selskapet rapporterte at maskinen simulerte komplekse magnetiske materialer på under 20 minutter, samtidig som de estimerte at samme beregning på en klassisk superdatamaskin ville ta nesten én million år.

Oppgaven gikk ut på å simulere dynamikken i uordnede magnetiske systemer – nærmere bestemt Ising-spinnglassmodeller arrangert i gitterstrukturer. Ifølge selskapet og dets samarbeidspartnere slet eksisterende klassiske metoder med å skalere til disse store kvantesystemene, noe som førte til at de beskrev resultatet som en demonstrasjon av «beregning utover det klassiske».

Slike påstander faller inn under konseptet kvanteoverlegenhet (eller kvantefordel): punktet der en kvanteenhet utfører en oppgave som klassiske datamaskiner ikke kan fullføre innenfor en praktisk tidsramme.

Det klassiske gjennombruddet

Flatiron–Boston University-teamet så på det samme fysiske simuleringsproblemet. I stedet for å forsøke å spore hele kvantetilstanden direkte – en beregning som vokser eksponentielt med antall qubits – utnyttet de matematisk struktur i systemet.

Metoden deres kombinerte flere ideer:

• To- og tredimensjonale tensor-nettverk arrangert for å speile gittergeometrien til spinnsystemet
• Belief propagation, en meldingspasseringsalgoritme som hjelper til med å oppdatere nettverket effektivt
• Tensor-nettverkskomprimeringsteknikker som holder representasjonen håndterbar etter hvert som sammenfiltringen vokser

Ved å utvikle gitter-spesifikke tensor-nettverk og bruke belief propagation-oppdateringer under simuleringen, kunne algoritmen følge systemets dynamikk uten å representere hele 5 000-qubits bølgefunksjonen eksplisitt. Dette reduserte beregningskostnadene dramatisk samtidig som høy nøyaktighet ble opprettholdt.

Ifølge forskerne kan tilnærmingen nøyaktig og effektivt simulere den samme kvanteanleggingsdynamikken som tidligere ble hevdet å være utenfor klassisk rekkevidde.

Hvorfor noen simuleringer kunne kjøres på en laptop

Tensor-nettverk fungerer ved å komprimere kvantetilstander. I stedet for å lagre hver amplitude av den eksponentielt store bølgefunksjonen, fanger de bare opp korrelasjonene som faktisk oppstår i systemet.

For mange fysiske systemer – spesielt de med strukturerte gitterinteraksjoner – vokser mengden av sammenfiltring på en måte som fortsatt kan tilnærmes kompakt. Når det skjer, kan tensor-nettverksrepresentasjoner spore systemet med langt færre parametere enn en råstyrkesimulering ville kreve.

I Flatiron-studien gjorde kombinasjonen av tensor-nettverksrepresentasjoner og belief propagation simuleringen så effektiv at noen tilfeller kunne kjøres på vanlige personlige datamaskiner i stedet for massive superdatamaskiner.

Hva dette betyr for «kvantefordel»

Resultatet beviser ikke at kvantedatamaskiner mangler fordeler. I stedet fremhever det en viktig realitet i feltet: målestokken flytter seg stadig.

Påstander om kvantefordel sammenligner vanligvis kvantehardware mot de beste kjente klassiske algoritmene på det tidspunktet. Men klassiske metoder – spesielt tensor-nettverk, Monte Carlo-tilnærminger og andre approksimasjonsteknikker – fortsetter å forbedre seg raskt.

Det betyr at en oppgave som virker umulig for klassiske maskiner i dag, kan bli mulig i morgen hvis noen finner en bedre algoritme. Flatiron-arbeidet demonstrerer nettopp denne dynamikken: flaskehalsen var ikke grunnleggende beregningsbegrensninger, men tilstanden til klassiske algoritmer brukt til sammenligning.

Det pågående kappløpet

Som et resultat blir standarden for å demonstrere kvantefordel stadig strengere. Forskere ser i økende grad etter problemer der:

• klassiske algoritmer er usannsynlig å forbedre seg dramatisk
• kvantehardware tilbyr en klar skaleringsfordel
• resultater kan verifiseres uavhengig

Denne episoden illustrerer et bredere mønster i beregningsvitenskap: fremgang kommer ofte fra både hardware og algoritmer. Kvanteprosessorer forbedrer seg, men klassiske algoritmer utvikler seg like raskt.

Foreløpig forblir konkurransen mellom de to et aktivt kappløp – og hver ny påstand om kvantefordel må overleve det neste gjennombruddet i klassisk beregning.