Все новости крипты
в одном месте!
Больше не нужно искать — необходимые
обучающие материалы и подсказки всегда под рукой
Больше не нужно искать — необходимые
обучающие материалы и подсказки всегда под рукой
Квантовый процессор IBM Nighthawk протестировали на двух прикладных задачах: упрощённой модели из физики частиц и фильтрации вредоносного трафика. На эти эксперименты обратил внимание ресурс Quantum Computing Report.
В первом случае учёные не просто задействовали кубиты, а решили на оборудовании физическую задачу — взаимодействие нуклона и антинуклона в упрощённой модели квантовой хромодинамики QCD2. Систему представили в виде спиновой цепочки и запустили на Nighthawk. Полученный потенциал взаимодействия продемонстрировал ожидаемое притяжение и совпал с результатами классических вычислений — точной диагонализации и идеального моделирования. Авторы особо отметили, что смогли извлечь полезный сигнал из зашумлённых данных благодаря структурной компенсации ошибок.
Второй эксперимент касался кибербезопасности и более практической задачи: отличить вредоносный DoS- и DDoS-трафик от обычного, не нарушая легитимные подключения. Исследователи взяли логи honeypot-систем и преобразовали задачу в графовую оптимизацию, которую решали с помощью квантового приближённого алгоритма оптимизации QAOA.
В ходе экспериментов использовались графы на 16, 32, 66 и 110 событий. Самый крупный вариант — 110 узлов и 181 ребро — был запущен на трёх бэкендах IBM из IBM Quantum Network. Согласно данным Quantum Computing Report, Nighthawk потребовал наименьшее количество двухкубитных операций и показал минимальные накладные расходы при компиляции, в то время как процессор на базе Heron продемонстрировал лучшую целевую метрику.
Авторы обеих работ не заявляют о квантовом превосходстве. Они представляют результаты как прикладной бенчмарк, показывающий, насколько такие системы уже пригодны для задач, где важны точность вычислений и устойчивость к шуму.
Напомним, в июне исследователи IBM рассказали о новом подходе к поиску кодов коррекции квантовых ошибок с помощью больших языковых моделей.
Популярные лонгриды:
