آموزش محاسبات کوانتومی

فناوری کوانتومی در حال نزدیک شدن به جریان اصلی است. گلدمن ساکس اخیراً اعلام کرده است که می تواند تا پنج سال آینده الگوریتم های کوانتومی را برای قیمت گذاری ابزارهای مالی معرفی کند. هانیول پیش بینی می کند که کوانتوم در دهه های آینده یک صنعت 1 تریلیون دلاری را تشکیل دهد. اما چرا شرکت‌هایی مانند گلدمن این جهش را انجام می‌دهند – به‌ویژه در شرایطی که کامپیوترهای کوانتومی تجاری احتمالاً سال‌ها دورتر اتفاق می افتند؟

کامپیوترهای کوانتومی (و نرم افزارهای کوانتومی) بر اساس مدلی کاملاً متفاوت از نحوه عملکرد جهان هستند. در فیزیک کلاسیک، یک جسم در حالتی کاملاً مشخص وجود دارد. در دنیای مکانیک کوانتومی، اجسام تنها پس از مشاهده آنها در یک حالت کاملاً مشخص ظاهر می شوند. قبل از مشاهده ما، وضعیت دو شیء و نحوه ارتباط آنها مسائل احتمالی است. از منظر محاسباتی، این بدان معنی است که داده ها به روشی متفاوت ثبت و ذخیره می شوند - از طریق کیوبیت های غیر باینری اطلاعات به جای بیت های باینری، که منعکس کننده کثرت حالت ها در دنیای کوانتومی است. این تعدد می تواند محاسبه هزینه های سریعتر و کمتر را برای محاسبات ترکیبی فعال کند.

اگر به نظر می رسد ذهن شما را گیج می کند، به این دلیل است که اینطور است. حتی فیزیکدانان ذرات تلاش می کنند تا ذهن خود را در مورد مکانیک کوانتومی و بسیاری از خواص خارق العاده دنیای زیراتمی که توصیف می کند، بیابند، و اینجا جایی برای توضیح کامل نیست. اما چیزی که می‌توانیم بگوییم این است که مکانیک کوانتومی در توضیح بسیاری از جنبه‌های جهان طبیعی بهتر از فیزیک کلاسیک عمل می‌کند، و تقریباً تمام نظریه‌هایی را که فیزیک کلاسیک تولید کرده است، در خود جای می‌دهد.

کوانتوم در دنیای محاسبات تجاری به ماشین‌ها و نرم‌افزارهایی ترجمه می‌شود که اصولاً می‌توانند بسیاری از کارهایی را که رایانه‌های دیجیتال کلاسیک می‌توانند انجام دهند و علاوه بر آن یک کار بزرگ را که رایانه‌های کلاسیک نمی‌توانند انجام دهند انجام دهند: انجام محاسبات ترکیبی به سرعت. 

مهندسی شیمی و بیولوژیکی 

مهندسی شیمی و بیولوژیکی شامل کشف و دستکاری مولکول ها است. انجام این کار شامل حرکت و برهم کنش ذرات زیراتمی است. به عبارت دیگر، مکانیک کوانتومی را شامل می شود. شبیه سازی مکانیک کوانتومی انگیزه اصلی در پیشنهاد اولیه ریچارد فاینمن برای ساخت یک کامپیوتر کوانتومی بود. با پیچیده تر شدن مولکول ها، تعداد پیکربندی های ممکن به طور تصاعدی افزایش می یابد. این یک محاسبه ترکیبی می شود که برای یک کامپیوتر کوانتومی مناسب است. برای مثال، رایانه‌های کوانتومی قابل برنامه‌ریزی قبلاً شبیه‌سازی‌های موفق واکنش‌های شیمیایی ساده را نشان داده‌اند و راه را برای شبیه‌سازی‌های شیمی پیچیده‌تر در آینده نزدیک هموار می‌کنند. با ظهور امکان‌سنجی شبیه‌سازی‌های کوانتومی، که به پیش‌بینی خواص مولکول‌های جدید کمک می‌کند، مهندسان می‌توانند پیکربندی‌های مولکولی را در نظر بگیرند که در غیر این صورت مدل‌سازی چالش‌برانگیز است. این توانایی به این معنی است که کامپیوترهای کوانتومی نقش مهمی در تسریع تلاش‌های فعلی در کشف مواد و توسعه دارو خواهند داشت.

امنیت سایبری

بیش از هزار سال است که ترکیبیات در رمزگذاری نقش اساسی داشته است. کتاب پیام‌های رمزنگاری قرن هشتم الخلیل به جایگشت‌ها و ترکیب‌های کلمات نگاه می‌کند. رمزگذاری امروزی هنوز بر اساس ترکیبات ساخته شده است و بر این فرض تأکید دارد که محاسبات ترکیبی اساساً غیرقابل مدیریت هستند. با این حال، با محاسبات کوانتومی، کرک کردن رمزگذاری بسیار آسان‌تر می‌شود، که تهدیدی برای امنیت داده‌ها است. صنعت جدیدی در حال رشد است که به شرکت ها کمک می کند تا برای آسیب پذیری های آینده در امنیت سایبری خود آماده شوند.

با توجه بیشتر مردم به پتانسیل محاسبات کوانتومی، برنامه های کاربردی فراتر از شبیه سازی و رمزگذاری کوانتومی در حال ظهور هستند:

هوش مصنوعی

محاسبات کوانتومی به طور بالقوه فرصت‌های جدیدی را در هوش مصنوعی باز می‌کند، که اغلب شامل پردازش ترکیبی مقادیر بسیار زیادی از داده‌ها به منظور پیش‌بینی و تصمیم‌گیری بهتر است (به تشخیص چهره یا تشخیص تقلب فکر کنید). یک زمینه تحقیقاتی رو به رشد در یادگیری ماشین کوانتومی راه‌هایی را شناسایی می‌کند که الگوریتم‌های کوانتومی می‌توانند هوش مصنوعی سریع‌تری را فعال کنند. محدودیت‌های فعلی بر روی فناوری و نرم‌افزار، هوش عمومی مصنوعی کوانتومی را به یک امکان نسبتاً دور تبدیل می‌کند – اما مطمئناً ماشین‌های فکری را بیش از موضوعی برای داستان‌های علمی تخیلی تبدیل می‌کند.

خدمات مالی

امور مالی یکی از اولین حوزه هایی بود که کلان داده را پذیرفت. و بسیاری از علم پشت قیمت گذاری دارایی های پیچیده - مانند گزینه های سهام - شامل محاسبه ترکیبی است. برای مثال، وقتی گلدمن ساکس، مشتقات قیمت‌ها را محاسبه می‌کند، یک محاسبات بسیار محاسباتی به نام شبیه‌سازی مونت کارلو را اعمال می‌کند که پیش‌بینی‌هایی را بر اساس حرکات شبیه‌سازی شده بازار انجام می‌دهد. سرعت محاسبات مدت‌هاست که منبع مزیتی در بازارهای مالی بوده است (جایی که صندوق‌های تامینی برای به دست آوردن مزایای میلی‌ثانیه‌ای در به دست آوردن اطلاعات قیمت با هم رقابت می‌کنند). الگوریتم های کوانتومی می توانند سرعت یک مجموعه مهم از محاسبات مالی را افزایش دهند.
ساخت مجتمع. رایانه‌های کوانتومی می‌توانند در جمع‌آوری مجموعه‌های بزرگ داده‌های تولیدی در مورد خرابی‌های عملیاتی و ترجمه آن‌ها به چالش‌های ترکیبی استفاده شوند که وقتی با یک الگوریتم الهام‌گرفته از کوانتومی جفت می‌شوند، می‌توانند تشخیص دهند که کدام بخش از یک فرآیند تولید پیچیده در حوادث خرابی محصول نقش داشته است. برای محصولاتی مانند ریزتراشه ها که این فرآیند تولید می تواند هزاران مرحله داشته باشد، کوانتوم می تواند به کاهش خرابی های پرهزینه کمک کند.

فرصت محاسبات کوانتومی برای حل سریع‌تر و ارزان‌تر مسائل ترکیبی در مقیاس بزرگ، میلیاردها دلار سرمایه‌گذاری را در سال‌های اخیر تشویق کرده است. بزرگترین فرصت ممکن است در یافتن برنامه های کاربردی جدید بیشتر باشد که از راه حل های ارائه شده از طریق کوانتوم سود می برند. همانطور که پروفسور و کارآفرین Alan Aspuru-Guzik گفت، "نقشی برای تخیل، شهود و ماجراجویی وجود دارد. شاید این مهم نیست که چند کیوبیت داریم. شاید این مربوط به تعداد هکرهای ما باشد."