Один графический процессор NVIDIA быстрее квантового компьютера в некоторых задачах, показало исследование

Группа исследователей из Microsoft и Лаборатории масштабируемых параллельных вычислений в Цюрихе опубликовала статью, в которой рассказала о потенциале квантовых компьютеров для будущего и сравнила его с одной видеокартой NVIDIA. Исследователи обнаружили, что в некоторых приложениях графический процессор показывает себя лучше, чем гипотетический квантовый компьютер.

Источник изображения: CNBC

В статье, опубликованной в журнале Association for Computing Machinery, Торстен Хефлер (Torsten Hoefler), директор Лаборатории масштабируемых параллельных вычислений, вместе с бывшими исследователями из Microsoft Томасом Хенером (Thomas Häner) и Матиасом Тройером (Matthias Troyer) пришли к выводу, что, если не считать исключительных улучшений в аппаратном и программном обеспечении, даже будущие квантовые системы вряд ли достигнут практических скоростей во многих из рядовых производственных задач.

Чтобы квантовая система была полезной, она должна выполнять задачу быстрее, чем традиционный компьютер, и чтобы проверить это, команда сравнила гипотетическую квантовую систему с 10 000 кубитов с классическим компьютером, оснащённым одним ускорителем вычислений NVIDIA A100. Самые передовые квантовые компьютеры, доступные в настоящее время, имеют несколько сотен физических кубитов. Например, система IBM Osprey содержит 433 кубита.

Сравнение, по мнению авторов, выявило вопиющую проблему с большинством современных квантовых алгоритмов. Квадратичное ускорение, подобное тому, которое обеспечивает алгоритм Гровера, недостаточно для достижения преимущества по сравнению с обычными системами. Вместо этого необходимы «суперквадратичные или в идеале экспоненциальные ускорения». «Наше исследование показало, что приложения, которые полагаются на большие наборы данных, лучше обслуживаются классическими вычислениями, потому что пропускная способность квантовых систем слишком мала для таких приложений, как поиск в базах данных или обучение моделей машинного обучения на больших наборах данных», — пояснил Тройер.

Он добавил, что это означает, что такие рабочие нагрузки, как разработка лекарств, анализ сворачивания белков, а также прогнозирование погоды и климата, лучше подходят для обычных рабочих задач, учитывая текущее состояние технологий. Однако химия и материаловедение могут только выиграть от квантовых систем, так как многие задачи в этих сферах основаны на относительно небольших наборах данных.