12 ژوئیه 2024-CPU کامپیوتر کوانتومی و مفهوم تراشه کامپیوتر، عکس توسط Olemedia/Getty Images
نیکلاس روبلز
ظهور محاسبات کوانتومی امکانات بی حد و حصری را در شیمی، علم مواد، شبیه‌سازی برای پیش‌بینی نتایج و سایر زمینه‌ها نشان می‌دهد، اما ابتدا، تحقیق در مورد الگوریتم‌های کوانتومی برای درک امکان‌سنجی، عمومیت و مزایای محاسبات کوانتومی نسبت به محاسبات کلاسیک باید اولویت‌بندی شود. حتی اگر سخت افزار کوانتومی به اندازه کافی خوب ساخته شود، آیا الگوریتم هایی وجود دارند که بتوانند از قوانین مکانیک کوانتومی برای حل مسائل دشوار استفاده کنند؟
رایانه های کلاسیک از بیت های روشن (1) / خاموش (0) به عنوان واحدهای اصلی اطلاعات برای رسیدن به بهترین راه حل برای یک مشکل استفاده می کنند. کامپیوترهای کوانتومی از بیت‌های کوانتومی معروف به کیوبیت استفاده می‌کنند که می‌توانند اطلاعات را در هر دو حالت 0 و 1 به طور همزمان نمایش دهند. این امر که به عنوان برهم نهی شناخته می شود، می تواند به همه راه حل های یک مشکل اجازه دهد که همزمان وجود داشته باشند. کیوبیت‌ها را می‌توان به گونه‌ای با یکدیگر مرتبط کرد که وضعیت یک کیوبیت به وضعیت دیگری بستگی دارد، حتی زمانی که کیوبیت‌ها از نظر فیزیکی از هم جدا شده باشند. این اصل درهم تنیدگی است، عنصر اساسی محاسبات کوانتومی.
در انحراف رادیکال از فیزیک کلاسیک، در فیزیک کوانتومی هیچ نتیجه مشخصی وجود ندارد. باید با احتمالات به دست آوردن نتایج معین از یک سری اندازه گیری سر و کار داشت. این امر مستلزم آن است که محققان با افزایش احتمال نتایج مطلوب (راه حل مسئله داده شده) و کاهش احتمال نتایج ناخواسته از طریق فرآیندی به نام تداخل، نتایج مطلوب یک اندازه گیری را مشخص کنند. به عنوان مثال، در حل یک مشکل ترکیبی سخت در لجستیک مانند برنامه ریزی مسیر یا تخصیص منابع که در آن همه احتمالات (به عنوان مثال مسیرها و تخصیصات) مربوط به این مشکل در برهم نهی وجود دارد، تداخل می تواند به صفر کردن راه حل مورد نظر در بین این موارد ممکن ها کمک کند..
این ویژگی‌های منحصربه‌فرد محاسبات کوانتومی – ابرجایگاه، درهم‌تنیدگی و تداخل – به رایانه‌های کوانتومی اجازه می‌دهد تا انواع خاصی از محاسبات را بسیار کارآمدتر از رایانه‌های کلاسیک انجام دهند. در حالی که کوانتوم مزایای واضحی دارد، چالش‌ها مانع توسعه الگوریتم‌هایی می‌شوند که می‌توانند با محاسبات کوانتومی با موفقیت حل شوند.
چالش سخت افزاری یک مانع مهم در رقابت برای ارائه محاسبات کوانتومی موثر است، اما ممکن است سخت ترین آن نباشد. مشخص نیست که آیا الگوریتم‌ها به طور کامل راه‌حل‌ها را ارائه می‌دهند یا نه، حتی اگر روی سخت‌افزار بی‌عیب و نقص اجرا شوند. و موقعیت های زیادی وجود دارد که در آن نگاشت مسئله مورد نظر در زبان کوانتومی مستلزم مصالحه است.
برای مثال، الگوریتم Harrow-Hassidim-Lloyd (HHL) که با یک کامپیوتر کلاسیک حل می‌شود، فرآیندی زمان‌بر و زمان‌بر است، اما به یک راه‌حل کامل منجر می‌شود. اجرای الگوریتم HHL از طریق یک کامپیوتر کوانتومی به سرعت یک راه حل جزئی تولید می کند که محدود به آنچه می توان مشاهده کرد. در این مورد، مزیت کوانتومی به دلیل مشکل در بارگذاری (حل نشدن) مشکلی که می خواهیم در رایانه کوانتومی حل کنیم، تضمین نمی شود.
یک مانع جدی برای موفقیت یادگیری ماشین کوانتومی، آماده سازی کارآمد داده های مورد نیاز برای اجرای یک کامپیوتر کوانتومی بوده است. تحقیقات الگوریتمی برای درک این مرحله در فرآیند مفید خواهد بود.
همین امر برای کاربردهای فیزیکی و شیمیایی نیز صادق است، که معمولاً شامل حل یک معادله دیفرانسیل است که بر تکامل یک فرآیند فیزیکی یا شیمیایی حاکم است. در حالی که محاسبه تکامل این فرآیندها با یک کامپیوتر کوانتومی و یک الگوریتم مناسب می‌تواند به صورت تصاعدی سریع باشد، استخراج راه‌حل از کامپیوتر کوانتومی یک عامل محدودکننده شدید را نشان می‌دهد. استخراج می تواند سرعت کلی را از نمایی به درجه دوم کاهش دهد و راه حل حاصل دوباره فقط تا حدی کامل می شود.
در روزهای اولیه تحقیق در مورد یادگیری ماشینی کوانتومی، فرض بر این بود که وظایف یادگیری ماشینی را می‌توان به اجزای خطی-جبری آن‌ها تقسیم کرد و رایانه‌های کوانتومی – که در عملیات ماتریس برتری دارند – با استفاده از کوانتوم بومی هوش مصنوعی (AI) را بهبود می‌بخشند. الگوریتم های هوش مصنوعی امروزه، این نظریه تا حدودی معکوس شده است: چگونه هوش مصنوعی کلاسیک و مدل‌های زبان بزرگ می‌توانند در خدمت محاسبات کوانتومی باشند؟
الگوریتم‌های کوانتومی که قبلاً ذکر شد، به ارائه پاسخ برای یک مسئله دشوار نزدیک شده‌اند، اما یا در ارائه یک راه‌حل کامل کوتاهی می‌کنند یا به هزینه‌های زیادی نیاز دارند.
اگرچه مکانیک کوانتومی با درجات بالایی از دقت تأیید شده است، اما همچنان یک نظریه مرموز است. اکثر موقعیت‌های محاسبات کوانتومی تا کنون محدود شده‌اند، یا به دلیل یک مصالحه اساسی، مانند مورد HHL، یا به دلیل زمان و تلاش مورد نیاز در بارگذاری داده‌ها که منجر به کاهش مزیت می‌شود.
با اولویت‌بندی تلاش‌ها برای درک و توسعه الگوریتم‌های کوانتومی، می‌توان مزایای بالقوه محاسبات کوانتومی را بهتر درک کرد. اما قبل از سرمایه‌گذاری بیشتر در ساخت رایانه‌های کوانتومی، باید به این سؤال مهم که آیا محاسبات کوانتومی امکان‌پذیر است، پاسخ داده شود.
