创建量子计算机既昂贵又费时，并且不能保证所产生的设备具有任何量子优势-也就是说，它们的运行速度通常不会比常规计算机快。因此研究人员需要工具来预测给定的量子设备是否具有量子优势。
实现量子计算的方法之一是量子游走。简而言之，该方法可以可视化为在某个位于量子电路下面的网络中传播的粒子。如果粒子从一个网络节点到另一网络节点的量子行进比其经典模拟更快，则基于该电路的设备将具有量子优势。寻找这样的高级网络是量子步行专家解决的重要任务。
莫斯科物理技术学院，瓦里耶夫物理技术学院和ITMO大学的俄罗斯研究人员创建了一个神经网络，该神经网络学会了通过分析量子网络的结构来预测其行为。神经网络可以自主找到非常适合量子优势演示的解决方案。这将有助于研究人员开发新的高效量子计算机。该发现发表在“ 新物理学杂志”上。
通过量子力学计算解决了现代科学中的许多问题。其中一些例子是对化学反应的研究，以及在医药，制药和其他行业中寻找稳定的分子结构。所涉及问题的量子性质使量子计算更适合于它们。相反，经典计算往往只返回庞大的近似解。
俄罗斯研究人员所做的是训练一个AI模型来区分网络并确定给定网络是否具有量子优势。这指出了构建量子计算机的良好候选网络。该团队使用了面向图像识别的神经网络。邻接矩阵与输入和输出节点的编号一起用作输入数据。该神经网络返回是否给定的节点之间的经典或量子游走将更快的预测。
MIPT理论物理学系副教授Leonid Fedichkin说：“这种方法行不通，但它确实有效。我们已经成功地训练了计算机，以自动预测复杂网络是否具有量子优势。” 。
MIPT毕业生和ITMO大学研究人员Alexey Melnikov说：“量子行为和经典行为之间的界线常常模糊不清。我们研究的显着特征是由此产生的专用计算机视觉，能够识别网络空间中的这一细线。”
与他们的合著者Alexander Alodjants一起，研究人员创建了一种工具，该工具简化了基于量子算法的计算电路的开发。最终的设备将在生物光子学和材料科学中引起人们的兴趣。
量子游走描述得很好的过程之一是光敏蛋白如视紫红质或叶绿素的激发。蛋白质是一种复杂的分子，其结构类似于网络。解决形式上涉及发现从一个节点到另一个节点的量子行走时间的问题，实际上可能揭示出电子在分子中特定位置发生的变化，它将移动的位置以及它将引起何种激发。
与基于量子位和门的体系结构相比，预计量子游走将为实现自然现象的量子计算提供更简便的方法。原因是步行本身是自然的物理过程。