Kvantdator förbereder åt klassisk dator — löser tunga optimeringsproblem upp till 100 gånger snabbare

Forskare från kvantdatorbolaget Rigetti Computing och Purdue University har visat att en kvantdator kan användas för att "förbereda" ett svårt optimeringsproblem åt en vanlig, klassisk dator — och på så sätt hitta nästan-optimala lösningar upp till hundra gånger snabbare än när den klassiska lösaren jobbar ensam. Resultaten publicerades som forskningsartikel den 28 augusti 2026, med officiell presentation i tidiga september.

Kvantdatorn hittar mönstret, den klassiska datorn löser problemet

Metoden kallas kvantprekonditionering och löser inte problemet med kvantdatorn själv — istället körs en grund kvantkrets (Quantum Approximate Optimization Algorithm, QAOA) för att extrahera statistiska samband mellan problemets variabler. Den informationen används sedan för att omformulera problemet innan det skickas vidare till en vanlig, kommersiell branch-and-bound-lösare för blandad heltalsprogrammering (MIP) — samma typ av verktyg som redan används inom logistik och nätverksoptimering.

I det specifika test som gav den största effekten — balanserad grafuppdelning i täta, fullt sammankopplade grafer med 40 noder, körd över 50 oberoende probleminstanser — nådde den kvantförberedda versionen en lösning inom 1 procent av det optimala "ungefär två storleksordningar", det vill säga omkring hundra gånger, snabbare än den oförberedda baslinjen. Forskarna understryker själva att den exakta hastighetsvinsten varierar med hur lösaren konfigureras, och är alltså inte en garanterad multiplikator för alla typer av problem.

Varför det spelar roll utanför labbet

Balanserad grafuppdelning låter abstrakt, men det är precis den typ av matematiskt problem som ligger bakom verkliga logistik- och energiutmaningar: hur ett elnät delas upp i zoner, hur last fördelas mellan datacenter, eller hur en transportrutt optimeras. De här problemen tillhör en klass som kallas NP-svåra, vilket innebär att beräkningstiden växer extremt snabbt med problemets storlek — även en liten snabbare startpunkt kan därför spara enorma mängder beräkningstid i verkliga tillämpningar. Forskarnas poäng är att dagens kvantdatorer, trots att de fortfarande är för små och brusiga för att lösa stora problem helt själva, redan nu kan bidra med ett värde som mellanled i annars klassiska beräkningskedjor.

Vad är kvantprekonditionering, i grunden?

En vanlig dator löser svåra optimeringsproblem genom att systematiskt pröva och förkasta möjliga lösningar tills den hittar den bästa — ju bättre startgissning, desto snabbare hittar den rätt. En kvantdator utnyttjar kvantmekaniska tillstånd (superposition) för att på en gång utforska många möjliga kombinationer av en liten del av problemet, och kan därför upptäcka statistiska mönster — vilka variabler som hänger ihop — snabbare än en klassisk dator skulle kunna för samma delproblem. "Prekonditionering" innebär att man använder de mönstren för att ge den klassiska lösaren en betydligt bättre startpunkt, istället för att kvantdatorn försöker lösa hela problemet på egen hand. Det gör tekniken användbar redan i dag, med de begränsade kvantdatorer som finns, snarare än att behöva vänta på framtida, mycket större kvantdatorer.

Källor: arXiv-artikeln (Ramesh, Sundar, Dupont, Bernal Neira), fullständig text, Quantum Computing Report, Rigetti Computing