17 اوت 2023-ون خردلی رنگ ریچارد فاینمن.ماشین مرموز ریچارد فاینمن (اعتبار: جان کاننبرگ / فلیکر)
سال 1975، وسیله نقلیه دوج تاجر ماکسوان با فضای داخلی سبز آووکادو، نمای بیرونی خردلی با نقاشی‌های دیواری سفارشی که حرکت فوتون‌ها و الکترون‌ها را به تصویر می‌کشد، و پلاک‌هایی که «QANTUM» را نشان می‌دهند – شش حرف حداکثر مجاز در کالیفرنیا است. درباره وضعیت اصلی این خودروی خاص می‌شنوم که می‌پرسید چه کسی غیر از فیزیکدان برجسته و همه‌جانبه «آزمایش ترینیتی را بدون عینک پشت شیشه‌ای کامیون تماشا خواهم کرد» و اینکه فرمان این هیولای خودرویی خواهد بود. پسر دیوانه ریچارد فاینمن در حال رانندگی در امتداد سواحل باخا کالیفرنیا به همراه خانواده‌اش، بعید می‌دانم که بتواند تمام کارهای عجیب و غریب و شگفت‌انگیزی را که صنعت خودرو در حال حاضر با اشتیاق بزرگش، با محاسبات کوانتومی انجام می‌دهد، تصور کند.
در قرن گذشته، خودروها از واگن های موتوری ساده به وسایل نقلیه خودران با قابلیت های الکترونیکی و ناوبری پیشرفته تبدیل شده اند. اما جهش بعدی در نوآوری به قدرت محاسباتی فراتر از قدرت ابرکامپیوترهای پیشرفته کلاسیک ما نیاز دارد. به همین دلیل است که سازندگان بزرگی مانند جگوار-لندروور، فولکس واگن، رولز رویس، دایملر، تویوتا، بی‌ام‌و و فورد اکنون به دنبال محاسبات کوانتومی برای سرعت بخشیدن به پیشرفت‌ها در شیمی باتری، رانندگی خودران، تدارکات و غیره هستند.
هفته گذشته به این موضوع نگاه کردم که چگونه صنعت نفت و گاز می‌تواند از پتانسیل محاسبات کوانتومی برای حفر چاه‌های بیشتر و پمپاژ کربن بیشتری به جو استفاده کند. احتمالاً عکس این موضوع در مورد بخش خودرو صادق است. در عوض، اولویت‌های آن بیشتر بر دستیابی به راندمان بیشتر در وسایل نقلیه متمرکز خواهد شد – امیدوارم بدون افزایش هزینه آنها.
یکی از کاربردهای اصلی کامپیوترهای کوانتومی در کشف اسرار جدید در شیمی نهفته است، و طبق گزارش اخیر IDTechEx در مورد معاشقه صنعت خودرو با کوانتوم، هیجان قابل توجهی در مورد اینکه چگونه می توان از آن برای کشف فرمول های شیمیایی جدید برای باتری های الکتریکی استفاده کرد، وجود دارد.
رایانه‌های کوانتومی همچنین می‌توانند اکتشافات در انفورماتیک مواد را تسریع بخشند که، تا آنجا که به خودروهای الکتریکی مربوط می‌شود، بر واکنش‌هایی که در باتری‌های آنها جرقه می‌زند تمرکز می‌کنند. معمولاً حفظ ابررایانه‌های کلاسیک و آزمایش‌های مرتبط آزمایش و خطای زمان‌بر، شبیه‌سازی‌های کوانتومی برهم‌کنش‌های الکترون‌ها می‌تواند به طور بالقوه درک دقیق‌تری از واکنش‌هایی که در تمام آندها و کاتدها انجام می‌شود به محققان ارائه دهد. برخی امیدوارند که این امر می‌تواند منجر به طول عمر بیشتر، تراکم انرژی و سرعت شارژ بهتر باتری‌های انرژی‌دهنده خودروهای برقی شود – در نهایت باعث می‌شود این وسایل نقلیه کمتر به نقاط شارژی که به طور نامنظم در سراسر شبکه جاده‌ای جهانی توزیع شده‌اند، وابسته شوند.
یکی دیگر از زمینه های اصلی مورد علاقه صنعت خودرو در محاسبات کوانتومی، نقشی است که می تواند در لجستیک ایفا کند. الگوریتم‌های کوانتومی می‌توانند به بهینه‌سازی چالش‌های لجستیکی پیچیده مانند مسیریابی تحویل، زمان‌بندی خودرو و اتوماسیون کارخانه کمک کنند. تکنیک‌های کوانتومی مانند آنیلینگ نیز ممکن است بتوانند خطوط مونتاژ خودرو را زودتر از سایر پلتفرم‌ها بهینه کنند.
مسیریابی ناوگان وسایل نقلیه تحویلی احتمالاً نمونه اولیه استفاده است. یک کامپیوتر کلاسیک را می توان برای یافتن مسیر بهینه برای یک کامیون جداگانه استفاده کرد، اما تغییر مسیر چندین وسیله نقلیه در پاسخ به یک موقعیت غیرمنتظره می تواند چالش برانگیز باشد. این امر به این دلیل است که باید مسیرهای بهینه جدید را برای هر کامیون به طور جداگانه محاسبه کند – شاهکاری که حتی ابررایانه‌ها آن را بسیار سخت می‌دانند. با این حال، یک کامپیوتر کوانتومی نه تنها دارای حجم محاسباتی برای یافتن راه حل بهینه برای کل ناوگان است، بلکه به طور ماهرانه ای به متغیرهای جدید واکنش نشان می دهد.
فناوری آنیل کوانتومی که توسط D-Wave پیشگام شده است، در حال حاضر برخی از حوزه‌های لجستیک را پشتیبانی می‌کند. فولکس واگن دارای یک سیستم مسیریابی ترافیک زنده بود که روی آنیل D-Wave کار می کرد که زمان انتظار را به حداقل می رساند و از ازدحام جلوگیری می کرد. این سیستم که به صورت آزمایشی در سال 2019 راه اندازی شد، روی اتوبوس های MAN که توسط شرکت حمل و نقل عمومی CARRIS در لیسبون، پرتغال اداره می شود، نصب شد. این الگوریتم سریع‌ترین مسیر را برای هر اتوبوس مجزا در ناوگان محاسبه می‌کند و آن را تقریباً در زمان واقعی بهینه می‌کند.
وسایل نقلیه بدون راننده
یادگیری ماشینی کوانتومی همچنین به نوآوری های جدید در وسایل نقلیه خودران کمک می کند. نسخه‌ای از هوش مصنوعی که از مدارهای کوانتومی برای ترسیم متغیرهای بیشتری نسبت به سیستم‌های باینری استفاده می‌کند، شرکت‌هایی مانند هیوندای در حال آزمایش با یادگیری ماشینی کوانتومی برای ایجاد الگوریتم‌های راهنمایی برای خودروهای خودران هستند. به طور خاص، این شامل یافتن راه‌های جدید برای رمزگذاری داده‌ها در مدارهای کوانتومی برای افزایش سرعت طبقه‌بندی و آموزش برای افزایش آشنایی خودرو با r معمولی (و غیر معمول) است.
شرایط بد، در نتیجه نیاز به تجزیه حجم عظیمی از داده های حسگر را در لحظه کاهش می دهد. برخی از شرکت‌ها مانند Quantum Brilliance حتی به دنبال ساخت شتاب‌دهنده‌های کوانتومی هستند که به اندازه کافی کوچک باشند تا در خود خودرو قرار بگیرند و پردازش داده‌های داخل خودرو را نیز تسریع کنند.
مانند خود سخت‌افزار کوانتومی، مدتی طول می‌کشد تا شرکت‌های خودروسازی بازده تجاری این سرمایه‌گذاری اولیه را ببینند – احتمالاً حداقل یک دهه. گزارش IDTechEx معتقد است: «به این ترتیب، برای تأثیرگذاری بر موج اول برق‌سازی برای بازار انبوه خیلی دیر شده است». حتی در این صورت، سرمایه گذاری اولیه به این شرکت ها مزیت مهمی در موج بعدی پیشرفت های ذخیره سازی انرژی و اتوماسیون می دهد. به آن زمان بدهید، و ما باید ببینیم که محاسبات کوانتومی به تغییر الگوریتم‌هایی کمک می‌کند که به رانندگی خودران کمک می‌کند، کارایی‌های جدید تولید را پیدا می‌کند و باعث تحول در طراحی خودرو می‌شود. بیایید امیدوار باشیم که تمرکز روی وسایل نقلیه تمیزتر و کارآمدتر باقی بماند، و نه روی راه‌هایی برای سریع‌تر کردن موتورهای گازسوز.
Quantum Untangled with Ryan Morrison
