Mi az az optimalizálás?

Az optimalizálás az a folyamat, amely a legjobb megoldást keresi a problémára a lehetséges lehetőségek készletéből, figyelembe véve a kívánt eredményt és korlátozásokat.

A legjobb megoldás többféleképpen is meghatározható: ez lehet a legalacsonyabb költséggel, a leggyorsabb futtatókörnyezettel vagy esetleg a legkisebb környezeti hatással járó lehetőség. Az egyszerűség érdekében a legjobb megoldás általában a minimalizálni kívánt költségfüggvény . Ha inkább a költségfüggvényt szeretné maximalizálni (például egy napelem energiakimenetét szeretné maximalizálni), mindössze annyit kellene tennie, hogy megszorozza a költségeket negatívkal, majd minimalizálja azt.

Ha többet szeretne megtudni az optimalizálási problémákról és a terminológiáról, tekintse meg az optimalizálás fő fogalmait.

Az optimalizálás olyan számítási problémák osztálya, amelyek a jövőben a kvantumszámítógépeken való futtatás elsődleges esélyei, és kvantumelőnyt biztosítanak a klasszikus megoldásokkal szemben. Az Azure-ban jelenleg klasszikus hardveren futó Azure Quantum solverekkel már optimalizálási problémákat is megvalósíthat, mint sok más klasszikus optimalizálási technika.

Mi az a kvantumalapú optimalizálás?

A klasszikus számítógépek kvantumeffektusainak szimulálása új típusú kvantummegoldások kifejlesztéséhez vezetett. A kvantumalapú optimalizálási algoritmusok kihasználják a kvantum-számítástechnika néhány előnyét a klasszikus hardveren, ami gyorsabb a hagyományos megközelítésekkel szemben.

A kvantumalapú algoritmusok olyan klasszikus algoritmusok, amelyekben klasszikusan emuláljuk a gyorsítást biztosító alapvető kvantumjelenségeket. Számos kvantumalapú algoritmus létezik. Az egyik gyakran használt algoritmus egy adiabatikus kvantum-számítástechnikának nevezett számítási modellen alapul, amely a következőkből áll:

  1. Először készítsünk elő egy rendszert, és inicializáljuk a legalacsonyabb energiaállapotba.

  2. A következő lépésben az egyszerű rendszert alakítja át egy bonyolultabbá, amely már leírja a megoldani kívánt problémát. Az adiabatikus modell azt állítja, hogy amíg ez az átalakítás elég lassan történik, a rendszernek van ideje alkalmazkodni, és ebben a legalacsonyabb energiakonfigurációban marad. Az átalakítások elvégzése után megoldhatja a problémát.

Jó hasonlat erre, ha elképzel egy pohár vizet. Ha a poharat lassan mozgatja egy asztalon, nem ömlik ki a tartalma, mert a rendszernek van ideje alkalmazkodni az új konfigurációhoz. Ha azonban gyorsan mozgatta volna az üveget, a rendszernek túl gyorsan kellett változnia, és mindenhol van víz.

Hol alkalmazható a kvantumalapú optimalizálás?

A kvantumalapú optimalizálás valós problémákra való alkalmazása új betekintést nyújthat a vállalkozásoknak, vagy csökkentheti a költségeket a folyamatok hatékonyabbá tételével. A kvantumalapú optimalizálás lehetőséget ad a következő lehetőségekre:

  • Más optimalizálási technikáknál gyorsabban nyújt megoldást egy adott használati esetre, amely adott minőségű megoldást igényel.
  • Más optimalizálási technikáknál jobb minőségű megoldást nyújt egy adott problémára, adott idő alatt.
  • Más optimalizálási technikákhoz képest életszerűbb modellt használ a modell több változóra való kiterjesztése révén.

Megjegyzés

Mivel a kvantumalapú optimalizálási módszerek heurisztikusak, nem garantált, hogy megtalálják az optimális megoldást, és más optimalizálási technikákat sem mindig teljesítenek. A valóságban ez a problémától függ, és annak felderítése, hogy mitől jobb teljesítményt nyújt a kvantumalapú optimalizálás, mint más módszerek bizonyos helyzetekben, és mások nem, még mindig aktív kutatási terület.

Az alábbi feltételek szükségesek a kvantumalapú optimalizáláshoz a többi klasszikus optimalizálási algoritmushoz képest:

  • Az optimalizálási környezet legyen egyenetlen, de strukturált. Az ilyen tájak gyakran fordulnak elő valós problémák esetén. További információ: Optimalizálási környezetek.
  • Ha a változók száma kicsi (például kevesebb, mint száz), a leegyszerűsített algoritmusok már elegendőek. A több száz változóval rendelkező problémák esetén a kvantumalapú optimalizálás nagyságrendekkel javította a korábban használt módszereket.
  • A választott költségmetrikát befolyásoló problémaparamétereket egy költségfüggvény változóival kell ábrázolni. Az Express cost függvények bináris változókon keresztül polinomokként működnek a PUBO-probléma eléréséhez.

Hogyan oldja meg a problémákat a kvantumalapú optimalizáció?

Számos módszer létezik a költségfüggvények globális minimumának meghatározására, az egyik legsikeresebb és leggyakrabban használt heurisztikus a szimulált hűtés. A heurisztikus módszer egy hozzávetőleges megoldás megtalálására, különösen olyan helyzetekben, amikor a pontos megoldás megkeresése túl sokáig tarthat. A technikára úgy gondolhat, mint egy véletlenszerű sétára a keresési területen, ahol minden sétáló létrehoz egy útvonalat az optimalizálási tájon.

Szimulált hűtés esetén az algoritmus egy olyan lépegetőt szimulál, amely ideális esetben mindig lefelé mozog, de bizonyos nem nulla valószínűséggel képes felfelé mozogni. Ez lehetővé teszi az elem számára, hogy elszakadjon a helyi minimumoktól, és a szomszédos, alacsonyabb minimumokba ereszkedjen. A felfelé ugró mozgásokat termikus ugrásoknak nevezzük. Ennek az az oka, hogy a szimulált hűtés egy fizikai algoritmus, amely utánozza az anyagok viselkedését, miközben lassan lehűlnek.

A kvantumalapú optimalizálás a szimulált hűtés kombinatorikus problémáinak megoldására, de kvantummechanikai hatások alkalmazására használja a technikákat.

A kvantumhűtés egy olyan kvantumalgoritmus, amely a szimulált hűtéshez hasonló, de néhány módon különbözik. A szimulált hűtésben a keresési területet úgy vizsgáljuk meg, hogy az egyik megoldásról a másikra termikus ugrásokat végez, míg a kvantumhűtés egy kvantumeffektust, az úgynevezett kvantumalagutat használ, amely lehetővé teszi, hogy a lépegető áthaladjon ezeken az energiakorlátokon.

Egy költségfüggvény és a helyi és globális minimum ábrázolását ábrázoló diagram, ahol a kvantumhűtés leküzdi a korlátot, és megkeresi a globális minimumot.

Ebben a gráfban láthatja a klasszikus és a kvantum megközelítés közötti különbséget. A szimulált hűtési hőingadozások segítenek a lépegetőnek leküzdeni az energiakorlátot, a kvantumalagutakban pedig a kvantumeffektusok lehetővé teszik a lépegetők számára, hogy áthaladjanak az energiakorláton.

Az Azure Quantum optimalizálási technikái

Miután létrehozta az optimalizálási problémát, elküldheti azt az Azure Quantum egyik kvantumalapú optimalizálási megoldásának. Lásd : Optimalizálási feladatok elküldése.

Az Azure Quantum számos kvantumalapú technikát kínál a diszkrét és kombinatorikus optimalizálási problémák megoldásához. Azt azonban nem lehet megállapítani, hogy melyik solver teljesít a legjobban egy új optimalizálási probléma esetén. Megismerheti az egyes célértékek specifikációit a stratégia fejlesztéséhez, és a Cikk Melyik optimalizálási solver-t használjam? című cikkben útmutatást talál arra vonatkozóan, hogyan használhatja a teljesítménytesztelést a megfelelő solver megtalálásához.

Optimalizálási megoldások esetén az alábbi szolgáltatók közül választhat:

  • Microsoft QIO: Több célcsoport, amelyek több évtizednyi kvantumkutatás által ihletett optimalizálási problémát oldanak meg.
  • 1QBit: Iteratív heurisztikus algoritmusok, amelyek keresési technikákkal oldják meg a QUBO-problémákat.
  • SQBM+: A Toshiba simulated Quantum Bifurcation Machine egy GPU-alapú ISING-gép, amely nagy léptékű kombinatorikus optimalizálási problémákat old meg nagy sebességgel.

Microsoft QIO-célok

A Microsoft QIO-szolgáltató minden Azure Quantum-munkaterületen engedélyezve van. A Microsoft QIO különböző célokat kínál az egyes optimalizálási forgatókönyvekhez.

  • Párhuzamos edzettség: Egy kapcsolódó klasszikus optimalizálási megközelítés, ahol a rendszer másolatai különböző hőmérsékleten vannak tárolva, automatizálva az ismétlődő fűtést és hűtést a temperálási megközelítésekben. Használható a klasszikus és a (szimulált) kvantumhűtés, valamint számos más heurisztika felgyorsítására is.
  • Szimulált hűtés: Klasszikus sztochasztikus szimulációs módszer, amely utánozza egy anyag lassú hűtését (hűtés) a tökéletlenségek eltávolításához. A hőmérséklet az ütemezésnek megfelelően csökken. A termikus ugrások segítenek a keresési térben a helyi minimákból való menekülésben.
  • Népesség annealing: Csakúgy, mint szimulált annealing szimulálja a sétáló, hogy ideális esetben mindig mozog lefelé, Population Annealing szimulálja a lakosság a metropolisz lépegetők, amelyek folyamatosan konszolidálják keresési erőfeszítések körül kedvező államok.
  • Quantum Monte Carlo: Kvantumalapú optimalizálás, amely kvantum-Monte-Carlo szimulációk használatával utánozza a kvantumhűtési módszert. A szimulált hűtés hőmérsékletéhez hasonlóan a kvantumalagutak erőssége idővel csökken. A kvantumalagút-effektusok segítenek a keresési terület helyi minimumaiból való menekülésben.
  • Szubsztochasztikus Monte Carlo: Szubsztochasztikus Monte Carlo egy diszfokációs Monte Carlo algoritmus által ihletett adiabatikus kvantumszámítás. Szimulálja a keresőtérben lévő sétálók sokaságának elszóródását, ahol a program eltávolítja vagy duplikálja a lépegetőket a költségfüggvénynek megfelelő teljesítményük alapján.
  • Tabu search: A Tabu Search a szomszédos konfigurációkat vizsgálja. Elfogadhatja a romló áthelyezéseket, ha nincsenek elérhető javító lépések, és tiltja a korábban felkeresett megoldásokra való áthelyezést

Vegye figyelembe, hogy ez csak a rendelkezésre álló technikák egy kis része, és a Microsoft továbbra is fejleszt és ad hozzá új megoldásokat az Azure Quantum szolgáltatáshoz. További információt a Microsoft QIO céllistájában talál.