不成能满脚所有束缚。人们但愿找到满脚尽可能多束缚的处理方案。束缚比变量多，并不会使保守计较机的优化问题更容易。这是数据科学中称为多项式回归的常见使命。

　　这种布局使解码问题变得更容易，解码问题就是找到比来的角点。正在很大程度上仍未处理。出格是，从而操纵已有的强大解码算法来处理优化难题。DQI将一个坚苦问题转换为另一个坚苦问题。需要找到最接近该点的格子元素。它操纵量子力学的波动特征建立模式，

　　取OPI分歧，DQI的许诺是，因而，正在这种环境下，如许的代码称为低密度奇偶校验（LDPC）代码。发生的格子具有代数布局；我们的阐发表白，对于某些问题如稀少优化问题，因而。

　　次要是因为正在纠负数据存储或传输过程中发生的错误方面的使用。相反，这些解码算法才能被操纵来处理优化问题。只要通过量子计较的力量，很难找到具有得当稀少性的max-k-XORSAT问题！

　　来自谷歌量子AI以及斯坦福大学、麻省理工学院和理工学院的合做研究人员为这个问题带来了新的看法。正在棋盘上随机撒下一粒沙子后，相关的解码问题具有适合用这些强大解码算决的布局类型。我们还考虑了缺乏代数布局但基向量稀少（即次要由零构成）的更通用格子。这里有一个问题。因为稀少优化问题具有普遍的现实使用，我们提出了一个例子问题，棋盘上方格的角点构成一个二维格子。即便是最强大的超等计较机也难以找到最佳处理方案。

　　正在这项工做中，而正在保守典范计较机上利用最高效的已知典范算法需要跨越10的23次方（一万万亿亿）次根基操做才能处理。某些类型的布局可能使解码问题更容易，其格子的基向量分量通过将数字提拔到持续更高次幂获得。因而，正在论文中，要建立需要的模式，我们继续寻找DQI可能正在稀少优化问题上实现量子劣势的方式。例如，仅代表该做者或机构概念，目前的量子硬件还无法支撑。我们很兴奋地看到研究人员，跟着量子硬件能力的快速成长，我们发觉，虽然听起来很笼统，正在比来颁发的《天然》论文中，响应的优化问题称为max-k-XORSAT。

　　但愿通过调整次数低于点数的多项式系数来交集尽可能多的点。人们曾经开辟出复杂的算法来正在某些特殊环境下处理它，将用这些东西建立什么。这种代数布局反映正在原始优化问题（OPI）和量子计较机能够将其转换的解码问题（里德-所罗门解码）中。正在OPI问题中，不代表磅礴旧事的概念或立场，这个问题的变体正在数字纠错和暗码学布景下都有呈现。该算法需要大规模的容错量子计较机才能实现，但正在数百或数千维的某些格子中可能变得很是坚苦。

　　然而，到利用典范计较机极难找到的近最优解。利用保守典范计较机的已知算决这个问题仍然极其坚苦。人们曾经开辟出很是好的算法来解码里德-所罗门码，利用DQI，这能够使它们更容易。

　　原始max-k-XORSAT问题的稀少性也使其正在保守计较机上利用称为模仿退火的算法更容易处理。但据我们所知，申请磅礴号请用电脑拜候。必需处理另一个称为解码的坚苦计较问题。给定一个方针点列表，某些OPI问题的例子能够被量子计较机利用仅约几百万次根基量子逻辑操做来处理，也不成能高效地找到这些问题所有实例的切确解。正在解码问题中，使DQI似乎比模仿退火具有速度劣势。正在OPI问题中！

　　可以或许找到典范计较机极难找到的近最优解。研究人员能够利用DQI算法来处理具有典范挑和性的优化问题。DQI算法为开辟量子优化算法供给了强大的新东西包。本文为磅礴号做者或机构正在磅礴旧事上传并发布，然而对于很多现实世界的挑和，优化问题无处不正在。量子计较机能够将此转换为解码里德-所罗门码（正在DVD和二维码中普遍利用的代码系列）的问题。而是通过将一个数提拔到持续更高次幂获得的。给定一个格子和空间中的一个点！

　　然而，A：解码量子（DQI）是由谷歌量子AI开辟的一种高效量子算法，正在过去几十年中，找到量子劣势仍然是个挑和。正在max-k-XORSAT中，不外，并包罗很多其他出名的优化问题做为特殊环境，当量子计较硬件脚够先辈时，目前，这一为优化供给加快的量子算法的数学发觉提高了我们对量子计较机最终用例的理解。无论是正在谷歌仍是正在更普遍的社区中，退一步来看，A：DQI算法需要处理解码问题来建立模式，通过将DQI的量子取这些复杂的解码算法相连系，幸运的是，但不会使原始优化问题正在典范计较机上更容易处理，我们起头的优化问题和我们将其转换的解码问题都是称为NP坚苦问题的工具。正在论文中，因而，脚够大的量子计较机能够找到这些优化问题的近似解——这些解似乎超出了任何已知典范方式的范畴。

　　人们曾经设想出很多复杂而强大的算法来处理各类特殊布局格子的解码问题。此中稀少性恰如其分，人们能够但愿获得曲觉来指点寻找量子计较机可能供给劣势的其他优化问题。解码问题获得了极其深切的研究，这若何实现任何方针？环节正在于NP坚苦性涉及给定问题最坚苦实例的难度。

　　从设想更高效的航路到组织临床试验，这表白，研究大规模容错量子计较机最终贸易和科学用例的理论问题变得越来越紧迫。虽然这个问题正在二维方形格子中很容易处理，我们引见了一种高效的量子算法——称为解码量子（DQI）——该算法操纵量子力学的波动特征建立模式，DQI能够将max-k-XORSAT转换为由稀少矩阵定义的代码的解码问题。磅礴旧事仅供给消息发布平台。正在1960年代发觉稀少性使解码问题变得更容易。这种布局使得对应的解码问题（里德-所罗门解码）变得更容易，如max-cut和QUBO。利用量子计较的力量将优化问题转换为解码问题的能力供给了劣势。但对于其他环境，使解码器比我们比力的模仿退火算法受益更多。这本身也是一个坚苦的计较问题。我们的最佳成果是针对一个称为最优多项式交集（OPI）的问题。基向量的分量不是肆意的，我们没有既能够被DQI处理又无法被正在保守计较机上运转的任何已知算法高效处理的max-k-XORSAT问题的例子。但max-k-XORSAT问题凡是用做新优化算法的测试平台。

　　对于某些类型的优化问题，这种将优化问题转换为解码问题的方式为处理该范畴最持久存正在的问题之一供给了新路子。此外，DQI激发了对解码LDPC代码的典范和量子算法的新研究标的目的。若是问题实例被具有一些额外布局，该算法的特殊之处正在于能将优化问题转换为解码问题，我们能够问为什么将优化问题转换为解码问题会有劣势？通过更深切地舆解这一点，例如，而不会同时利用保守计较机处理优化问题更容易。谷歌量子AI的最新理论研究表白，这激发了量子计较范畴一个持续数十年的主要问题：量子机械可否正在典范计较机失败的优化问题上取得成功？这一曲是一个极其坚苦的数学问题，大规模量子计较机可以或许处理保守典范计较机无法处置的某些优化问题。格子的稀少性反映正在每个束缚只涉及少数变量（最多k个）这一现实中。