Zusammenfassung
Es gibt viele Gründe, anzunehmen, dass Quantencomputer eines Tages klassischen Rechnern bei der Lösung von ausgewählten schwierigen Problemen überlegen sein werden. So gibt es beispielsweise theoretische Argumente für Vorteile bei der Primfaktorzerlegung, der Simulation von Quantensystemen oder im Kontext von Subroutinen des maschinellen Lernens. Diese benötigen jedoch fehlertolerante Quantencomputer, deren Hardwareanforderungen das derzeit Mögliche um Längen übersteigen. Wir widmen uns der wichtigen Frage, inwieweit Quantenalgorithmen bereits auf der in den kommenden Jahren verfügbaren, imperfekten Hardware für praktische Anwendungen einen Vorteil realisieren können und bieten einen Überblick über relevante Probleme, Ansätze und Begrifflichkeiten, welche bei realistischen Abschätzungen unumgänglich sind. Dies führt uns zu der Erkenntnis, dass man dem derzeitigen Hype mit Vorsicht begegnen sollte und ein nüchterner, von Grundlagenforschung geprägter Blick von großer Bedeutung ist.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Literatur
Arute F, Arya K, Babbush R, Bacon D, Bardin JC, Barends R, Biswas R, Boixo S, Brandao FGSL, Buell DA, Burkett B, Chen Y, Chen Z, Chiaro B, Collins R, Courtney W, Dunsworth A, Farhi E, Foxen B, Martinis JM et al (2019) Quantum supremacy using a programmable superconducting processor. Nature 574(7779):505–510. https://doi.org/10.1038/s41586-019-1666-5
Bremner MJ, Montanaro A, Shepherd DJ (2017) Achieving quantum supremacy with sparse and noisy commuting quantum computations. Quantum 1:8. https://doi.org/10.22331/q-2017-04-25-8
Cao Y, Romero J, Aspuru-Guzik A (2018) Potential of quantum computing for drug discovery. IBM J Res Dev 62(6):6:1–6:20. https://doi.org/10.1147/JRD.2018.2888987
Chapman P (2020) Scaling IonQ’s quantum computers: the roadmap (9. Dezember). IonQ. https://ionq.com/posts/december-09-2020-scaling-quantum-computer-roadmap. Zugegriffen am 14.12.2021
Chow J, Dial O, Gambetta J (2021) IBM quantum breaks the 100-qubit processor barrier (9. Februar). IBM Research Blog. https://research.ibm.com/blog/127-qubit-quantum-processor-eagle. Zugegriffen am 14.01.2022
Ebadi S, Wang TT, Levine H, Keesling A, Semeghini G, Omran A, Bluvstein D, Samajdar R, Pichler H, Ho WW, Choi S, Sachdev S, Greiner M, Vuletić V, Lukin MD (2021) Quantum phases of matter on a 256-atom programmable quantum simulator. Nature 595(7866):227–232. https://doi.org/10.1038/s41586-021-03582-4
Endo S, Benjamin SC, Li Y (2018) Practical quantum error mitigation for near-future applications. Phys Rev X 8(3):031027. https://doi.org/10.1103/PhysRevX.8.031027
Farhi E, Goldstone J, Gutmann S (2014) A quantum approximate optimization algorithm. arXiv:1411.4028 [quant-ph]. https://doi.org/10.48550/arXiv.1411.4028. Zugegriffen am 14.01.2021
Gambetta J (2021) IBM’s roadmap for scaling quantum technology (9. Februar). IBM Research Blog. https://research.ibm.com/blog/ibm-quantum-roadmap. Zugegriffen am 14.01.2022
Georgescu IM, Ashhab S, Nori F (2014) Quantum simulation. Rev Mod Phys 86(1):153–185. https://doi.org/10.1103/RevModPhys.86.153
Gidney C, Ekerå M (2021) How to factor 2048 bit RSA integers in 8 hours using 20 million noisy qubits. Quantum 5:433. https://doi.org/10.22331/q-2021-04-15-433
Gilyén A, Su Y, Low GH, Wiebe N (2019) Quantum singular value transformation and beyond: exponential improvements for quantum matrix arithmetics. In: Proceedings of the 51st annual ACM SIGACT Symposium on theory of computing, 193–204. https://doi.org/10.1145/3313276.3316366
Grover LK (1996) In: Proc. 28th Ann. ACM Symp. theory of computing (STOC) (Philadelphia, pa.), ACM, New York, 212–219
Harrow AW, Hassidim A, Lloyd S (2009) Quantum algorithm for linear systems of equations. Phys Rev Lett 103(15):150502. https://doi.org/10.1103/PhysRevLett.103.150502
Huang H-Y, Broughton M, Cotler J, Chen S, Li J, Mohseni M, Neven H, Babbush R, Kueng R, Preskill J, McClean JR (2021) Quantum advantage in learning from experiments. arXiv:2112.00778 [quant-ph]. https://doi.org/10.1126/science.abn7293
Kelly J (2018) A preview of Bristlecone, Google’s new quantum processor. Google AI Blog. http://ai.googleblog.com/2018/03/a-preview-of-bristlecone-googles-new.html. Zugegriffen am 14.12.2021
Lewenstein M, Sanpera A, Ahufinger V, Damski B, De AS, Sen U (2007) Ultracold atomic gases in optical lattices: mimicking condensed matter physics and beyond. Adv Phys 56(2):243–379. https://doi.org/10.1080/00018730701223200
Liu Y, Arunachalam S, Temme K (2021a) A rigorous and robust quantum speed-up in supervised machine learning. Nat Phys 17(9):1013–1017. https://doi.org/10.1038/s41567-021-01287-z
Liu Y, Liu X, Li F, Fu H, Yang Y, Song J, Zhao P, Wang Z, Peng D, Chen H, Guo C, Huang H, Wu W, Chen D (2021b) Closing the „quantum supremacy“ gap: achieving real-time simulation of a random quantum circuit using a new sunway supercomputer. In: Proceedings of the international conference for high performance computing, networking, storage and analysis, 1–12. https://doi.org/10.1145/3458817.3487399
Lubinski T, Johri S, Varosy P, Coleman J, Zhao L, Necaise J, Baldwin CH, Mayer K, Proctor T (2021) Application-oriented performance benchmarks for quantum computing. arXiv:2110.03137 [quant-ph]. http://arxiv.org/abs/2110.03137
Lucero E (2021) Unveiling our new quantum AI campus (18. Mai). Google Quantum AI Blog. https://blog.google/technology/ai/unveiling-our-new-quantum-ai-campus/. Zugegriffen am 14.01.2022
McClean JR, Boixo S, Smelyanskiy VN, Babbush R, Neven H (2018) Barren plateaus in quantum neural network training landscapes. Nat Commun 9(1):4812. https://doi.org/10.1038/s41467-018-07090-4
Peruzzo A, McClean J, Shadbolt P, Yung M-H, Zhou X-Q, Love PJ, Aspuru-Guzik A, O’Brien JL (2014) A variational eigenvalue solver on a photonic quantum processor. Nat Commun 5(1):4213. https://doi.org/10.1038/ncomms5213
Preskill J (2018) Quantum computing in the NISQ era and beyond. Quantum 2:79. https://doi.org/10.22331/q-2018-08-06-79
Rebentrost P, Mohseni M, Lloyd S (2014) Quantum support vector machine for big data classification. Phys Rev Lett 113(13):130503. https://doi.org/10.1103/PhysRevLett.113.130503
Reiher M, Wiebe N, Svore KM, Wecker D, Troyer M (2017) Elucidating reaction mechanisms on quantum computers. Proc Natl Acad Sci U S A 114:201619152. https://doi.org/10.1073/pnas.1619152114
Shor PW (1999) Polynomial-time algorithms for prime factorization and discrete logarithms on a quantum computer. SIAM Rev 41(2):303–332. https://doi.org/10.1137/S0036144598347011
Sweke R, Seifert J-P, Hangleiter D, Eisert J (2021) On the quantum versus classical learnability of discrete distributions. Quantum 5:417. https://doi.org/10.22331/q-2021-03-23-417
Tang E (2019) A quantum-inspired classical algorithm for recommendation systems. In: Proceedings of the 51st annual ACM SIGACT Symposium on theory of computing, S 217–228. https://doi.org/10.1145/3313276.3316310
Wu L-A, Byrd MS, Lidar DA (2002) Polynomial-time simulation of pairing models on a quantum computer. Phys Rev Lett 89(5):057904. https://doi.org/10.1103/PhysRevLett.89.057904
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2022 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Fährmann, P.K., Meyer, J.J., Eisert, J. (2022). Quantencomputer heute und in naher Zukunft: eine realistische Perspektive. In: Wilms, A., Neukart, F. (eds) Chancen und Risiken von Quantentechnologien. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-37534-8_6
Download citation
DOI: https://doi.org/10.1007/978-3-658-37534-8_6
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-37533-1
Online ISBN: 978-3-658-37534-8
eBook Packages: Computer Science and Engineering (German Language)