N+1: Начнем, пожалуй, с «главного действующего лица». Расскажите, что такое D-wave, как он был создан?

Алексей Устинов: Идея создания квантового компьютера на сверхпроводниках возникла примерно 15 лет назад, и сразу было понятно, что это довольно трудная задача. Хотя первые результаты были весьма обнадеживающими, и сейчас ясно, что это правильный путь, но путь этот довольно долгий и трудный, требующий огромной работы как по физике, так и по разработке инженерной архитектуры того, что хочется построить. D-wave начал заниматься этим одним из первых. Кстати, они финансировали мою группу в Германии еще 2002-2003 годах (не только мою, но еще и другие группы).

Но довольно скоро они избрали свой путь, который оказался для многих неожиданным. Он не был общепризнанно правильным. Этот путь вел к другой реализации квантового компьютера. Не того универсального квантового компьютера, о котором все мечтают, который можно использовать для факторизации больших чисел, для взлома кодов и так далее. Не того компьютера, который построен для алгоритмов, предложенных различными теоретиками начиная с середины 90-х годов. Компьютер D-wave представляет собой так называемый адиабатический компьютер, работающий по принципу квантового отжига.

Это означает, что, как полагают разработчики, они создают квантовую систему из большого количества компонентов и с большим количеством контролируемых параметров. Дальше, охладив ее до очень низкой температуры, они предполагают, что система достигает минимальной энергии и затем, медленно меняя эти параметры, разработчики надеются использовать законы квантовой механики для того, чтобы система переходила из исходного состояния в новое состояние минимальной энергии, задаваемое новыми параметрами, за счет квантового туннелирования.

N+1: Что можно считать с помощью таких процессов?

А.У.: Есть такая задача, известная, например, в экономике — оптимизация функции затрат. У вас имеется много параметров, много целей, которые вам нужно достичь одновременно. Скажем, вам нужно посетить миллион клиентов в разных местах и при этом необходимо оптимизировать дорогу, расходы, время и так далее. Это классическая задача, так называемая «Задача коммивояжера». На обычных компьютерах она решается очень трудно — нужно перебирать много-много разных вариантов.

Представьте себе, что такая функция затрат, которую необходимо оптимизировать, имеет не только оптимальное решение, которое мы хотим найти, но есть и другие хорошие решения — промежуточные, вокруг которых все ближние к ним решения являются менее выгодными. Мы не знаем наверняка, являются ли они оптимальными — это то, что называется локальным минимумом функции затрат. Достигнув такого минимума, мы пытаемся понять — является ли он минимальным глобально, или существуют какие-то другие состояния с энергией меньше его. Для решения этой задачи существуют так называемые алгоритмы отжига.

Это название берет начало из материаловедения. Рассмотрим материал, полученный быстрым охлаждением, внутри него имеется большое количество дефектов и напряжений. Если мы подержим его при некоторой высокой температуре, при которой он не начнет плавиться, иными словами, проведем отжиг, дефекты в нем начинают релаксировать. При этом внутренняя энергия в материале уменьшается — именно это называется отжигом, обычным металлургическим отжигом, который используется в материаловедении. Существуют компьютерные алгоритмы, которые тоже работают по такому принципу.

Пусть у нас есть какое-то состояние, например, функции затрат, то мы сможем поискать состояние с меньшей энергией просто подогрев эту систему. По сути, мы ее немножко «потрясем». Представьте себе горную долину, но не одну, а много долин. Теперь нам надо найти самую глубокую долину. То есть мы пытаемся достигнуть того, чтобы потенциальная энергия системы была минимальна.

Для этого мы можем «прыгать» изо всех сил и считать, что, полетав туда-сюда,мы окажемся в наиболее глубокой долине, «выпрыгнуть» из которой труднее. Фактически это равносильно тому, чтобы взять всю поверхность Земли и потрясти. Этим мы достигнем состояния с минимальной энергией.

Читать дальше.