據(jù)外媒報(bào)道，韓國(guó)光州科技研究院（Gwangju Institute of Science and Technology，GIST）研究團(tuán)隊(duì)宣布改進(jìn)了算法的結(jié)構(gòu)，在保持現(xiàn)有半經(jīng)典量子遺傳算法（semit-classical quantum genetic algorithm）的優(yōu)化性能的同時(shí)，顯著提高了計(jì)算效率。

圖片來(lái)源：韓國(guó)光州科技研究院

       量子遺傳算法是一種在量子計(jì)算機(jī)上重現(xiàn)已在經(jīng)典計(jì)算機(jī)中證明的技術(shù)，例如量子神經(jīng)網(wǎng)絡(luò)和量子強(qiáng)化學(xué)習(xí)，以應(yīng)用元啟發(fā)式（meta-heuristic）方法實(shí)現(xiàn)“全局優(yōu)化”，在整個(gè)搜索域找到最優(yōu)的解決方案，而這是量子計(jì)算機(jī)中遺傳算法的強(qiáng)項(xiàng)。

       量子系統(tǒng)必然發(fā)生的波函數(shù)坍縮（Wavefunction collapse）與通過迭代運(yùn)算找到解決方案的遺傳算法的工作原理相沖突，但通過在種群形成過程中創(chuàng)建大量隨機(jī)個(gè)體，現(xiàn)有的反經(jīng)典量子遺傳算法研究可解決這個(gè)問題。

       本研究預(yù)先假設(shè)這些隨機(jī)實(shí)體對(duì)算法的優(yōu)化工作幾乎沒有貢獻(xiàn)，然后嘗試改進(jìn)量子電路以最小化隨機(jī)實(shí)體的代際，同時(shí)保持算法的達(dá)爾文進(jìn)化結(jié)構(gòu)。

       因此當(dāng)在每一代形成種群時(shí)，研究人員會(huì)設(shè)計(jì)一種結(jié)構(gòu)，以僅產(chǎn)生個(gè)體，而這些個(gè)體完全或部分具有從上一代獲得的優(yōu)秀個(gè)體的遺傳特征。

       通過將這種改進(jìn)算法與先前算法共同用于優(yōu)化問題，研究人員進(jìn)行試驗(yàn)以比較這種改進(jìn)算法的性能。事實(shí)上，在實(shí)現(xiàn)與之前算法相同水平優(yōu)化的同時(shí)，適應(yīng)度評(píng)估的總數(shù)從2560次減少到432次，這表明性能顯著提升，將每一代所需的計(jì)算量減少了80%。

       結(jié)果，研究人員通過防止算法原始優(yōu)化性能下降和減小種群二次方的大小，成功將算法的計(jì)算效率提高了5倍。

       Chang Wook Ahn教授說(shuō)：“量子計(jì)算機(jī)有望加快新藥和能源開發(fā)、半導(dǎo)體設(shè)計(jì)、自動(dòng)駕駛汽車和飛行路線等優(yōu)化問題，從而改變未來(lái)行業(yè)和安全生態(tài)系統(tǒng)的布局。這項(xiàng)研究通過超越經(jīng)典計(jì)算機(jī)概念的創(chuàng)造性方法提高了實(shí)際性能，并有望在未來(lái)開發(fā)出更有效的量子優(yōu)化算法。”