เมื่อแล็ปท็อปธรรมดาจำลองงานของคอมพิวเตอร์ควอนตัมได้

คำอ้างเดิมของ D‑Wave

งานของ D‑Wave มุ่งศึกษา พลวัตควอนตัมของระบบสปินที่ไม่เป็นระเบียบ (disordered spin systems) โดยเฉพาะแบบจำลองที่เรียกว่า transverse‑field Ising model ซึ่งใช้ศึกษาแม่เหล็กและฟิสิกส์ของสปินกลาส

ระบบลักษณะนี้ขึ้นชื่อว่าจำลองยากมาก เพราะเมื่อจำนวนสปินเพิ่มขึ้น ขนาดของสถานะควอนตัมจะเพิ่มแบบเอ็กซ์โปเนนเชียล ทำให้การจำลองด้วยคอมพิวเตอร์คลาสสิกต้องใช้ทรัพยากรมหาศาล

ในการทดลอง D‑Wave ใช้ quantum annealer แบบตัวนำยิ่งยวด รุ่น Advantage2 เพื่อสร้างตัวอย่างของสถานะควอนตัมที่สอดคล้องกับคำตอบของสมการชโรดิงเงอร์สำหรับระบบเหล่านี้

รายงานของบริษัทสรุปว่า

• โปรเซสเซอร์ควอนตัมสามารถจำลองระบบได้ภายในไม่กี่นาที
• การจำลองด้วยวิธีคลาสสิกแบบเดิมต้องใช้ซูเปอร์คอมพิวเตอร์ขนาดใหญ่และเวลาที่ไม่สามารถใช้งานจริงได้

ผลลัพธ์จึงถูกนำเสนอว่าเป็นหลักฐานของ quantum advantage ในการจำลองวัสดุและระบบควอนตัมซับซ้อน

งานวิจัยโต้แย้งจาก Flatiron และ Boston University

ทีมวิจัยอีกกลุ่มกลับไปศึกษาระบบสปินกลาสชนิดเดียวกัน แต่ใช้วิธีที่ต่างออกไป คือ tensor‑network algorithms

Tensor networks เป็นวิธีทางคณิตศาสตร์ที่ใช้แทนสถานะควอนตัมขนาดใหญ่ด้วยโครงสร้างที่บีบอัดได้ ทำให้ไม่ต้องเก็บข้อมูลทั้งหมดแบบตรง ๆ

งานวิจัยแสดงให้เห็นว่า

• tensor networks แบบสองและสามมิติสามารถจำลองพลวัตของ quantum annealing ใน Ising spin glass ได้อย่างแม่นยำและมีประสิทธิภาพ
• อัลกอริทึมถูกปรับให้ใช้ belief‑propagation techniques เพื่อจัดการกับการพัวพันของสถานะควอนตัมระหว่างวิวัฒน์ของระบบ

เพราะสถานะควอนตัมสามารถถูกบีบอัดให้อยู่ในรูปแบบที่กะทัดรัดได้ การจำลองจึงสามารถทำบนฮาร์ดแวร์ขนาดเล็กกว่าที่คาดไว้มาก และในบางการทดลองสามารถรันบนคอมพิวเตอร์ส่วนบุคคลได้

ทำไม Tensor Networks ถึงได้ผล

คำตอบอยู่ที่โครงสร้างของ entanglement หรือการพัวพันควอนตัม

ในการวิเคราะห์ของ D‑Wave เองพบว่า ระบบที่ศึกษาแสดงพฤติกรรม area‑law entanglement scaling ระหว่างพลวัตของมัน

คุณสมบัตินี้สำคัญมากต่อความยากของการจำลอง

เมื่อระบบควอนตัมเป็นแบบ area law

• entanglement จะเพิ่มตาม ขอบเขต ของระบบ ไม่ใช่ตามปริมาตรทั้งหมด
• สถานะควอนตัมสามารถถูกบีบอัดได้อย่างมีประสิทธิภาพ
• tensor‑network representation จึงยังจัดการได้แม้ระบบจะมีขนาดใหญ่

และนี่คือสิ่งที่ tensor networks ถูกออกแบบมาเพื่อใช้ประโยชน์โดยตรง ทำให้คอมพิวเตอร์คลาสสิกสามารถจำลองระบบควอนตัมบางประเภทได้ดีกว่าที่คิด

แล้ว “Quantum Supremacy” อยู่ตรงไหนกันแน่

ผลลัพธ์นี้ไม่ได้แปลว่าคอมพิวเตอร์คลาสสิกจำลองทุกอย่างได้ แต่ชี้ให้เห็นว่า

จำนวน qubit มาก ๆ เพียงอย่างเดียวไม่ได้รับประกันว่าปัญหานั้นจะเกินขีดความสามารถของคอมพิวเตอร์คลาสสิก

เส้นแบ่งจริง ๆ อาจขึ้นอยู่กับสิ่งอื่น เช่น

• ถ้าระบบสร้าง volume‑law entanglement ที่ซับซ้อนมาก การจำลองคลาสสิกจะยากมาก
• แต่ถ้า entanglement มีโครงสร้างหรือถูกจำกัด เช่น area law วิธี tensor network อาจยังทำงานได้ดี

กล่าวอีกแบบหนึ่งคือ ความได้เปรียบของคอมพิวเตอร์ควอนตัมขึ้นอยู่กับ โครงสร้างของสถานะควอนตัมที่มันสร้างขึ้น มากกว่าจำนวน qubit เพียงอย่างเดียว

บทเรียนสำคัญของวงการควอนตัม

เหตุการณ์นี้สะท้อนรูปแบบที่เกิดขึ้นบ่อยในงานวิจัยควอนตัม

เมื่อมีการประกาศว่าเครื่องควอนตัมทำสิ่งที่คอมพิวเตอร์ทั่วไปทำไม่ได้ นักวิจัยฝั่งคลาสสิกก็มักพัฒนาอัลกอริทึมใหม่ ๆ ที่สามารถทำสิ่งเดียวกันได้ดีขึ้น

การแข่งขันแบบนี้ไม่ได้ทำให้วงการอ่อนแอลง ตรงกันข้าม มันช่วยให้เห็นชัดขึ้นว่า จุดไหนที่คอมพิวเตอร์ควอนตัมมีความได้เปรียบจริง ๆ

งานของ Flatiron และ Boston University จึงชี้ว่า ขอบเขตระหว่างการคำนวณแบบคลาสสิกและควอนตัมอาจ แคบกว่าและซับซ้อนกว่า การเปรียบเทียบฮาร์ดแวร์เพียงอย่างเดียวจะบอกได้

ในอนาคต นักวิจัยจึงมีแนวโน้มจะออกแบบการทดลองที่มุ่งไปยังระบบควอนตัมที่ tensor‑network compression ใช้ไม่ได้อีกต่อไป ซึ่งอาจเป็นจุดที่ quantum advantage ปรากฏอย่างชัดเจนจริง ๆ