کامپیوتر کوانتومی | رایانش کوانتومی

کامپیوترهای کوانتومی

کامپیوترهای کوانتومی ماشین هایی هستند که از خواص فیزیک کوانتومی برای ذخیره داده ها و انجام رایانش استفاده می کنند. این ویژگی می‌تواند برای کارهای خاصی که می‌توانند حتی از بهترین ابررایانه‌های ما بسیار بهتر عمل کنند، بسیار سودمند باشد. رایانه‌های قدیمی، که شامل تلفن‌های هوشمند و لپ‌تاپ‌ها می‌شوند، اطلاعات را در «بیت‌های» باینری که می‌توانند 0 یا 1 باشند، رمزگذاری می‌کنند. در یک کامپیوتر کوانتومی، واحد اصلی حافظه یک بیت کوانتومی یا کیوبیت است. کیوبیت ها با استفاده از سیستم های فیزیکی مانند اسپین الکترون یا جهت گیری فوتون ساخته می شوند. این سیستم‌ها می‌توانند به‌طور هم‌زمان در آرایش‌های مختلف باشند، خاصیتی که به عنوان برهم‌نهی کوانتومی شناخته می‌شود. کیوبیت ها هم چنین می توانند با استفاده از پدیده ای به نام درهم تنیدگی کوانتومی به طور جدایی ناپذیری به یکدیگر متصل شوند. نتیجه این است که یک سری کیوبیت می توانند چیزهای مختلفی را به طور همزمان نشان دهند. به عنوان مثال، در یک کامپیوتر قدیمی از هشت بیت برای نشان دادن عددی بین 0 تا 255 استفاده می کنند. اما هشت کیوبیت برای یک کامپیوتر کوانتومی کافی است تا هرعددی بین 0 تا 255 را همزمان نمایش دهد. چند صد کیوبیت درهم تنیده برای نمایش اعدادی بیش تر از اتم های موجود در جهان کافی است.

این جا است که کامپیوترهای کوانتومی برتری خود را نسبت به کامپیوترهای قدیمی پیدا می کنند. در شرایطی که تعداد زیادی ترکیب ممکن وجود دارد، کامپیوترهای کوانتومی می توانند آن ها را به طور هم زمان در نظر بگیرند. به عنوان مثال می توان به تلاش برای یافتن عامل های اول یک عدد بسیار بزرگ یا بهترین مسیر بین دو مکان اشاره کرد. با این حال، ممکن است موقعیت‌های زیادی نیز وجود داشته باشد که رایانه‌های قدیمی هم چنان بهتر از رایانه‌های کوانتومی عمل کنند. بنابراین کامپیوترهای آینده ممکن است ترکیبی از هر دو نوع باشند. در حال حاضر، رایانه‌های کوانتومی بسیار حساس هستند: گرما، میدان‌های الکترومغناطیسی و برخورد با مولکول‌های هوا می‌تواند باعث شود که کیوبیت خواص کوانتومی خود را از دست بدهد. این فرآیند که به نام همدوسی کوانتومی شناخته می‌شود، باعث از کار افتادن سیستم می‌شود. کامپیوترهای کوانتومی باید از کیوبیت ها در برابر تداخل خارجی محافظت کنند، چه از طریق جداسازی فیزیکی آن ها، خنک نگه داشتن آن ها و یا از بین بردن آن ها با پالس های انرژی به دقت کنترل شده. کیوبیت‌های اضافی برای تصحیح خطاهایی که به سیستم وارد می‌شوند مورد نیاز است.

رایانش کوانتومی چیست؟

رایانش کوانتومی یک فناوری به سرعت در حال ظهور است که از قوانین مکانیک کوانتومی برای حل مسائل بسیار پیچیده استفاده می کند.امروزه، IBM Quantum سخت‌افزار کوانتومی واقعی را که سه دهه پیش تنها یک رویا بود در دسترس هزاران توسعه‌دهنده قرار می‌دهد. مهندسان پردازنده‌های کوانتومی ابررسانا و قدرتمندتر را در فواصل زمانی منظم ارائه می‌کنند و سرعت رایانش کوانتومی و ظرفیت لازم برای تغییر جهان را افزایش می‌دهند.این ماشین‌ها با کامپیوترهای قدیمی که بیش از نیم قرن از عمرشان می‌گذرد بسیار متفاوت هستند. رایانش کوانتومی نوعی از رایانش است که از ویژگی های برافزوده کوانتومی مانند برهم نهی، تداخل و درهم تنیدگی برای انجام رایانش استفاده می کند. دستگاه هایی که این نوع از رایانش کوانتومی را انجام می دهند به عنوان کامپیوترهای کوانتومی شناخته می شوند. اگرچه رایانه‌های کوانتومی برای این که نسبت به رایانه‌های معمولی عملکرد بهتری داشته باشند بسیار کوچک هستند، باور بر این است که می توانند مشکلات رایانشی خاصی مانند تجزیه سازی صحیح (که زیربنای رمزگذاری RSA است)، را بسیار سریع‌تر از رایانه‌های معمولی انجام دهند.

مطالعه رایانش کوانتومی زیر شاخه دانش اطلاعات کوانتومی است.رایانش کوانتومی در سال 1980 توسط فیزیکدانی به نام پل بنیوف متولد شد. او یک مدل مکانیکی کوانتومی از ماشین تورینگ را پیشنهاد کرد. ریچارد فاینمن و یوری مانین اذعان کردند که یک کامپیوتر کوانتومی توانایی همانند ‌سازی کارهایی را دارد که یک کامپیوتر معمولی نمی‌تواند انجام دهد. در سال 1994، پیتر شر یک الگوریتم کوانتومی برای تجزیه اعداد صحیح با توانایی رمزگشایی ارتباطات رمزگذاری شده با RSA ایجاد کرد. در سال 1998 آیزاک چوانگ، نیل گرشنفلد و مارک کوبینک اولین کامپیوتر کوانتومی دو کیوبیتی را ایجاد کردند که می توانست رایانش را انجام دهد. علی ‌رغم پیشرفت‌های تجربی از اواخر دهه 1990، بیش تر پژوهشگران بر این باورند که «رایانش کوانتومی که بتوانند خطا‌پذیر باشد هنوز یک رویای دست نیافتنی است.» در سال‌های اخیر، سرمایه‌گذاری در پژوهش های رایانش کوانتومی در بخش‌های دولتی و خصوصی افزایش یافته است. در 23 اکتبر 2019، هوش مصنوعی گوگل، با همکاری سازمان ملی هوانوردی و فضایی ایالات متحده (ناسا)، ادعا کرد که یک نوع رایانش کوانتومی را انجام داده است که انجام آن بر روی کامپیوترهای معمولی غیرممکن است. اما تاکنون کسی نتواسته است درستی این ادعا را ثابت کند.

انواع گوناگونی از کامپیوترهای کوانتومی (آن ها هم چنین با نام سیستم‌های رایانشی کوانتومی شناخته می‌شوند)، از جمله مدل مدار کوانتومی، ماشین تورینگ کوانتومی، کامپیوتر کوانتومی آدیاباتیک، کامپیوتر کوانتومی یک ‌طرفه و انواع اتومات‌های سلولی کوانتومی وجود دارد. پرکاربردترین مدل مدار کوانتومی است که بر اساس بیت کوانتومی یا «کیوبیت» کار می کند و تا حدودی مشابه بیت در رایانش قدیمی است. یک کیوبیت هم زمان می تواند در حالت کوانتومی 1 یا 0 یا در حالت برهم نهی 1 و 0 باشد. با این حال، در هنگام اندازه گیری، همیشه 0 یا 1 است. احتمال هر یک از نتایج به وضعیت کوانتومی کیوبیت بلافاصله پیش از اندازه گیری بستگی دارد. تلاش‌ها برای ساخت یک کامپیوتر کوانتومی فیزیکی بر فناوری‌هایی مانند ترانسمون‌ها، تله‌های یونی و رایانه‌های کوانتومی توپولوژیکی تمرکز دارد که هدف آن ها ایجاد کیوبیت‌های با کیفیت بالا است. در حال حاضر موانع مهمی برای ساخت کامپیوترهای کوانتومی وجود دارد. حفظ حالت‌های کوانتومی کیوبیت‌ها دشوار است، زیرا آن ها دارای ناپیوستگی کوانتومی و ناپایداری حالت هستند. بنابراین کامپیوترهای کوانتومی نیاز به اصلاحات دارند.

هر مشکل رایانشی که بتواند توسط یک کامپیوتر معمولی حل شود می تواند توسط یک کامپیوتر کوانتومی نیز حل شود. برعکس، هر مشکلی که بتواند توسط یک کامپیوتر کوانتومی حل شود، می تواند توسط یک کامپیوتر کلاسیک نیز حل شود به شرط داشتن زمان کافی. به عبارت دیگر، کامپیوترهای کوانتومی از گزاره چرچ-تورینگ پیروی می کنند. این معنی را می دهد که در حالی که رایانه‌های کوانتومی هیچ مزیت دیگری نسبت به رایانه‌های کلاسیک از نظر قابلیت محاسبه ندارند، الگوریتم‌های کوانتومی برای مسائل خاص، پیچیدگی‌ زمانی کمتری نسبت به الگوریتم‌های قدیمی دارند. این باور وجود دارد که رایانه‌های کوانتومی می‌توانند به سرعت مسئله های خاصی را که هیچ رایانه قدیمی نمی‌تواند در هر زمان ممکن حل کنند، حل کنند و شاهکاری است که به عنوان «برتری کوانتومی» شناخته می‌شود. مطالعه پیچیدگی محاسباتی مسائل با استفاده از کامپیوترهای کوانتومی"نظریه پیچیدگی کوانتومی" نام دارد.

مدار کوانتومی

مدل عمومی رایانش کوانتومی رایانش را بر حسب شبکه ای از گیت های منطقی کوانتومی توصیف می کند. این مدل را می توان به عنوان یک تعمیم خطی-جبری انتزاعی از یک مدار قدیمی در نظر گرفت. از آن جایی که این مدل مدار از مکانیک کوانتومی پیروی می کند، تصور می شود یک کامپیوتر کوانتومی که قادر به اجرای کارآمد این مدارها باشد، از نظر فیزیکی قابل ساخت باشد.حافظه ای متشکل از n بیت اطلاعات دارای 2ⁿ حالت ممکن است. بنابراین، یک بردار که همه حالت های حافظه را نشان می دهد نیز دارای 2ⁿ ورودی است (برای هر حالت یک ورودی دارد). این بردار به عنوان یک بردار احتمال در نظر گرفته می شود و نشان دهنده این واقعیت است که حافظه باید در یک حالت ویژه باشد.

در دیدگاه قدیمی، اگر یک ورودی دارای مقدار 1 باشد آن گاه همه ورودی های دیگر صفر خواهند بود و احتمال وقوع این حالت 100 درصد بود.در مکانیک کوانتومی، بردارهای احتمال را می توان به عملگرهای چگالی تعمیم داد. فرمول بندی بردار حالت کوانتومی معمولا ابتدا معرفی می‌شود زیرا از نظر مفهومی ساده‌تر است، و به دلیل اینکه می‌توان آن را به جای فرمول بندی ماتریس چگالی برای حالت‌های خالص، که در آن کل سیستم کوانتومی شناخته شده است، استفاده کرد.با در نظر گرفتن یک حافظه ساده که فقط از یک بیت تشکیل شده است شروع می کنیم. این حافظه ممکن است در یکی از دو حالت یافت شود: حالت 0 یا حالت 1. وضعیت این حافظه را با استفاده از نماد دیراک نمایش می دهیم:

یک حافظه کوانتومی ممکن است در هر برهم نهی کوانتومی 〈Ψ| در دو حالت کلاسیک 〈0| و 〈1| یافت شود:

ضرایب α و β اعداد مختلط هستند. گفته می شود که یک کیوبیت اطلاعات در حافظه کوانتومی کدگذاری می شود. حالت 〈Ψ| به خودی خود یک بردار احتمال نیست اما می تواند از طریق یک عملیات اندازه گیری با بردار احتمال مرتبط شود. اگر حافظه کوانتومی برای تعیین این که آیا حالت 〈0| یا 〈1| است اندازه گیری شود (این کار به عنوان اندازه گیری مبنای رایانشی شناخته می شود)، حالت صفر با احتمال ${\textstyle |\alpha |^{2}}$ و حالت یک با احتمال ${\textstyle |\beta |^{2}}$ مشاهده می شود. اعداد α و β دامنه های کوانتومی نامیده می شوند.حالت این حافظه کوانتومی یک کیوبیتی را مانند نحوه دستکاری حافظه قدیمی با گیت های منطقی قدیمی می توان با استفاده از گیت های منطقی کوانتومی دستکاری کرد. یک گیت مهم برای رایانش کلاسیک و کوانتومی، گیت NOT است که می تواند با یک ماتریس نمایش داده شود.

از نظر ریاضی، کاربرد این گیت منطقی برای بردار حالت کوانتومی است که برای ضرب ماتریس مدل‌سازی می‌شود. بنابراین ریاضیات گیت های تک کیوبیتی را می‌توان به دو روش مهم برای کار بر روی حافظه‌های کوانتومی چند کیوبیتی گسترش داد. یک راه این است که به سادگی یک کیوبیت را انتخاب کنید و آن گیت را روی کیوبیت هدف اعمال کنید و در عین حال باقیمانده حافظه را بدون تغییر باقی بگذارید. راه دیگر این است که گیت را تنها در صورتی روی هدف خود به کار بگیرید کنید که قسمت دیگری از حافظه در وضعیت دلخواه باشد. این دو انتخاب را می توان با استفاده از مثال دیگری نشان داد.حالت های ممکن یک حافظه کوانتومی دو کیوبیتی به شکل زیر هستند:

گیت CNOT را می توان با ماتریس زیر نشان داد:

رایانش کوانتومی را می توان به عنوان شبکه ای از گیت ها و اندازه گیری های منطق کوانتومی توصیف کرد. با این حال، هر اندازه‌گیری را می‌توان به پایان رایانش کوانتومی موکول کرد، اگرچه این تعویق ممکن است هزینه رایانشی داشته باشد، بنابراین بیشتر مدارهای کوانتومی شبکه‌ای را نشان می‌دهند که فقط از گیت‌های منطقی کوانتومی تشکیل شده است و هیچ اندازه‌گیری ندارد.

هر محاسبه کوانتومی را می توان به عنوان شبکه ای از گیت های منطقی کوانتومی نشان داد. انتخابی از خانواده گیت که این ساختار را فعال می کند به عنوان یک مجموعه گیت سراسری شناخته می شود، زیرا رایانه ای که می تواند چنین مدارهایی را اجرا کند یک کامپیوتر کوانتومی سراسری است. یکی از این مجموعه‌های متداول شامل همه گیت‌های تک کیوبیتی و هم چنین گیت CNOT در بالا است. این به این معنی است که هر رایانش کوانتومی را می توان با اجرای دنباله ای از گیت های تک کیوبیتی همراه با گیت های CNOT انجام داد. اگرچه این مجموعه گیت بی نهایت است، اما می توان آن را با یک مجموعه گیت محدود با کمک قضیه Solovay-Kitaev جایگزین کرد.

الگوریتم های کوانتومی

خوارزمی

پیشرفت در یافتن الگوریتم‌های کوانتومی معمولا بر این مدل مدار کوانتومی متمرکز است، اگرچه استثناهایی مانند الگوریتم آدیاباتیک کوانتومی وجود دارد. الگوریتم‌های کوانتومی را می‌توان بر اساس نوع افزایش سرعت به‌دست‌آمده از الگوریتم‌های قدیمی مربوطه طبقه‌بندی کرد.الگوریتم‌های کوانتومی که بیش ترین سرعت را ارائه می‌دهند، عبارتند از الگوریتم شر برای فاکتورگیری و الگوریتم‌های کوانتومی مربوطه برای محاسبه لگاریتم‌های گسسته، حل معادله پل، و به طور کلی‌تر حل مسئله زیرگروه‌های پنهان برای گروه‌های محدود آبلی. این الگوریتم ها به نتیجه تبدیل فوریه کوانتومی بستگی دارند. هیچ دلیل ریاضی نیست که نشان دهد الگوریتم قدیمی به همان اندازه سریع را نمی توان کشف کرد، اگرچه این امر بعید تلقی می شود.

برخی از مشکلات اوراکل مانند مشکل سایمون و مسئله برنشتاین-وزیرانی سرعت‌های قابل اثباتی را ارائه می‌دهند.مسئله های دیگر، از جمله شبیه‌سازی فرآیندهای فیزیکی کوانتومی از شیمی و فیزیک حالت جامد، تقریب چند جمله‌ای خاص جونز، و الگوریتم کوانتومی برای سیستم‌های معادلات خطی، الگوریتم‌های کوانتومی به نظر می‌رسد که سرعت‌های فوق چند جمله‌ای را ارائه می‌دهند و BQP کامل هستند. از آن جایی که این مشکلات BQP کامل هستند، استفاده از یک الگوریتم قدیمی به همان اندازه سریع برای آن ها نشان می‌دهد که هیچ الگوریتم کوانتومی سرعتی بالاتر از چند جمله‌ای ندارد.برخی از الگوریتم‌های کوانتومی، مانند الگوریتم گروور و تقویت دامنه، سرعت چند جمله‌ای را نسبت به الگوریتم‌های قدیمی مربوطه می‌دهند. اگرچه این الگوریتم ها سرعت درجه دوم نسبتا متوسطی را ارائه می دهند، اما به طور گسترده قابل استفاده هستند و بنابراین برای طیف گسترده ای از مسائل افزایش سرعت می دهند. نمونه‌های زیادی از سرعت‌های کوانتومی قابل اثبات برای مسائل پرس و جو مربوط به الگوریتم گروور است، از جمله الگوریتم Brassard، Hoyer و Tapp برای یافتن برخورد در توابع دو به یک، که از الگوریتم گروور و الگوریتم Farhi، Goldstone و Gutmann استفاده می‌کند و برای ارزیابی درختان NAND، که نوعی از مسیله جستجو است استفاده می شوند.

کاربردهای رایانش کوانتومی

رمزنگاری

یک کاربرد قابل توجه رایانش کوانتومی برای حملات به سیستم های رمزنگاری است که در حال حاضر مورد استفاده قرار می گیرند. باور بر این است که فاکتورگیری اعداد صحیح، که زیربنای امنیت سیستم‌های رمزنگاری کلید عمومی است، با یک کامپیوتر معمولی برای اعداد صحیح بزرگ اگر حاصل ضرب چندین عدد باشند از نظر رایانشی غیرممکن است، مثلا، حاصل دو عدد اول 300 رقمی.در مقایسه، یک کامپیوتر کوانتومی می‌تواند این مشکل را با استفاده از الگوریتم شر برای یافتن عوامل آن حل کند. این توانایی به کامپیوتر کوانتومی اجازه می‌دهد تا بسیاری از سیستم‌های رمزنگاری شده مورد استفاده امروزی را بشکند، به این معنا که یک الگوریتم زمانی چند جمله‌ای (به تعداد ارقام عدد صحیح) برای حل مسئله وجود دارد. به طور خاص، بیشتر رمزهای کلید عمومی محبوب بر اساس دشواری فاکتورگیری اعداد صحیح یا مسئله لگاریتم گسسته است که هر دو را می توان با الگوریتم شر حل کرد. به طور خاص، الگوریتم های RSA، Diffie-Hellman، و منحنی بیضوی Diffie-Hellman می توانند شکسته شوند. این الگوریتم ها برای محافظت از صفحات وب ایمن، ایمیل های رمزگذاری شده و بسیاری از انواع دیگر داده ها استفاده می شوند. شکستن این موارد پیامدهای قابل توجهی برای حریم خصوصی و امنیت الکترونیکی خواهد داشت.

شناسایی سیستم های رمزنگاری که ممکن است در برابر الگوریتم های کوانتومی ایمن باشند، موضوعی است که به طور فعال در زمینه رمزنگاری پس کوانتومی مورد تحقیق قرار گرفته است. برخی از الگوریتم‌های کلید عمومی مبتنی بر مشکلاتی غیر از فاکتورسازی اعداد صحیح و مسائل لگاریتمی گسسته هستند که الگوریتم شر در مورد آن ها اعمال می‌شود، مانند سیستم رمزگذاری McEliece بر اساس یک مشکل در نظریه کدگذاری. سیستم‌های رمزنگاری مبتنی بر شبکه نیز شناخته شده نیستند که توسط رایانه‌های کوانتومی شکسته شوند، و یافتن یک الگوریتم زمانی چند جمله‌ای برای حل مشکل زیرگروه پنهان دووجهی، که می‌تواند بسیاری از سیستم‌های رمزنگاری مبتنی بر شبکه را بشکند، یک مسئله باز است که به خوبی مطالعه شده است. ثابت شده است که استفاده از الگوریتم گروور برای شکستن یک الگوریتم متقارن در مقایسه با حالت کلاسیک تقریبا به زمان نیاز دارد.رمزنگاری کوانتومی به طور بالقوه می تواند برخی از عملکردهای رمزنگاری کلید عمومی را انجام دهد. بنابراین، سیستم‌های رمزنگاری مبتنی بر کوانتومی می‌توانند از سیستم‌های سنتی در برابر هک کوانتومی ایمن‌تر باشند.

مسئله جستجو

یکی از معروف‌ترین مثال های داشتن سرعت کوانتومی چند جمله‌ای، جستجوی بدون ساختار یعنی یافتن یک آیتم اندیس گذاری شده در بیرون از یک آرایه n عنصری در پایگاه داده است. این مسئله را می توان با الگوریتم گروور با استفاده از کوئری هایی با پیچیدگی زمانی $O({\sqrt {n}})$ در پایگاه داده حل کرد.مسائلی که با الگوریتم گروور قابل حل هستند دارای ویژگی های زیر هستند:

هیچ ساختار قابل جستجو در مجموعه پاسخ های ممکن وجود ندارد.
تعداد پاسخ های ممکن برابر با تعداد ورودی های الگوریتم است.
یک تابع بولی وجود دارد که هر ورودی را ارزیابی می کند و تعیین می کند که آیا پاسخ درست است یا خیر.

برای مسائل مربوط به این ویژگی ها، زمان اجرای الگوریتم گروور در یک کامپیوتر کوانتومی به عنوان جذر تعداد ورودی ها (یا تعداد عناصر در پایگاه داده) در مقایسه با مقیاس خطی الگوریتم های قدیمی مقیاسه می شود. یک دسته کلی از مسائلی که الگوریتم گروور را می توان برای آنها اعمال کرد. مسئله رضایت پذیری بولی است، که در آن پایگاه داده ای که الگوریتم بر روی آن تکرار می شود، دارای همه پاسخ های ممکن است. یک مثال و کاربرد (احتمالی) این یک شکننده رمز عبور است که سعی می کند رمز عبور را حدس بزند. رمزهای متقارن مانند Triple DES و AES به ویژه در برابر این نوع حمله آسیب پذیر هستند.

همانندسازی سیستم های کوانتومی

از آن جایی که شیمی و فناوری نانو بر درک سیستم‌های کوانتومی متکی هستند همانندسازی این سیستم‌ها به روش قدیمی غیرممکن است.بسیاری باور دارند همانندسازی کوانتومی یکی از مهم‌ترین کاربردهای رایانش کوانتومی خواهد بود. همانندسازی کوانتومی هم چنین می‌تواند برای همانندسازی رفتار اتم‌ها و ذرات در شرایط غیرعادی مانند واکنش‌های درون برخورد دهنده ها استفاده شود.همانندسازی های کوانتومی ممکن است برای پیش‌بینی مسیرهای آینده ذرات و پروتون‌ها تحت برهم‌ نهی در آزمایش دو شکاف استفاده شود.

آنیل کوانتومی و بهینه سازی آدیاباتیک

آنیل کوانتومی یا رایانش کوانتومی آدیاباتیک برای انجام رایانش به قضیه آدیاباتیک متکی است. یک سیستم در حالت پایه در یک همیلتونی ساده قرار می گیرد که به آرامی به یک هامیلتونی پیچیده تر تبدیل می شود که حالت پایه آن نشان دهنده راه حل مسئله مورد بحث است. قضیه آدیاباتیک بیان می کند که اگر تکامل به اندازه کافی آهسته باشد، سیستم همیشه در طول فرآیند، در حالت پایه خود باقی می ماند.

یادگیری ماشین

از آن جایی که رایانه‌های کوانتومی می‌توانند خروجی‌هایی تولید کنند که رایانه‌های قدیمی نمی‌توانند به طور کارآمد تولید کنند، و از آنجایی که رایانش های کوانتومی اساسا مبتنی بر جبرخطی هستند، برخی به گستش الگوریتم‌های کوانتومی که می‌توانند وظایف یادگیری ماشین را سرعت بخشند ابراز امیدواری کرده اند. به عنوان نمونه، الگوریتم کوانتومی برای سیستم های معادلات خطی، یا الگوریتم HHL، که به نام کاشفان آن هارو، هاسیدیم، و لوید نامگذاری شده است، اعتقاد بر این است که سرعت بیشتری را نسبت به همتایان قدیمی ارائه می دهند. برخی از گروه‌های پژوهشی اخیرا استفاده از سخت‌افزار آنیل کوانتومی را برای آموزش ماشین‌های بولتزمن و شبکه‌های عصبی عمیق بررسی کرده‌اند.

زیست شناسی رایانشی

در زمینه زیست شناسی رایانشی، رایانش کوانتومی نقش زیادی در حل بسیاری از مسائل زیستی ایفا کرده است. یکی از نمونه های شناخته شده در ژنومیک رایانشی است و این که چگونه رایانش زمان تعیین توالی ژنوم انسان را به شدت کاهش داده است. با توجه به اینکه چگونه زیست‌شناسی رایانشی از مدل‌سازی و ذخیره‌سازی داده‌های عمومی استفاده می‌کند، انتظار می‌رود که کاربردهای آن در زیست‌شناسی رایانشی نیز مطرح شود.

طراحی دارو به کمک کامپیوتر و شیمی مولد

مدل‌های شیمی تولیدگر ژرف به عنوان ابزار قدرتمندی برای تسریع در کشف دارو ظاهر می‌شوند. با این حال، اندازه و پیچیدگی گسترده فضای ساختاری همه مولکول‌های احتمالی مشابه دارو، موانع مهمی را ایجاد می‌کند که می‌توان در آینده توسط رایانه‌های کوانتومی بر آن غلبه کرد. کامپیوترهای کوانتومی به طور طبیعی برای حل مسائل پیچیده کوانتومی چند جسمی خوب هستند و بنابراین ممکن است در کاربردهای مربوط به شیمی کوانتومی مفید باشند. بنابراین، می‌توان انتظار داشت که مدل‌های تولیدگر تقویت‌شده کوانتومی از جمله GAN‌های کوانتومی ممکن است در نهایت به الگوریتم‌های شیمی مولد نهایی تبدیل شوند. معماری‌های ترکیبی که کامپیوترهای کوانتومی را با شبکه‌های کلاسیک ژرف، مانند رمزگذارهای خودکار متغیر کوانتومی، ترکیب می‌کنند، می‌توانند در حال حاضر بر روی آنیل‌کننده‌های تجاری موجود آموزش داده شوند و برای تولید ساختارهای مولکولی جدید شبیه دارو استفاده شوند.

چالش های توسعه کامپیوترهای کوانتومی فیزیکی

چالش های فنی گوناگونی در ساخت یک کامپیوتر کوانتومی در مقیاس بزرگ وجود دارد. فیزیکدان دیوید دی وینچنزو این پیش نیاز ها را برای یک کامپیوتر کوانتومی عملی فهرست کرده است:

برای افزایش تعداد کیوبیت ها از نظر فیزیکی مقیاس پذیر باشد.
کیوبیت هایی که بتوانند به مقادیر دلخواه مقداردهی اولیه شوند.
گیت ‌های کوانتومی که سریع‌تر از زمان ناهمدوسی باشند.
تنظیم گیت سراسری.
کیوبیت هایی که به راحتی قابل خواندن باشند.

تامین قطعات برای کامپیوترهای کوانتومی نیز بسیار دشوار است. بسیاری از کامپیوترهای کوانتومی، مانند کامپیوترهای ساخته شده توسط گوگل و IBM، به helium-3، محصول جانبی برای پژوهش های هسته ای، و کابل های ابررسانای ویژه ای نیاز دارند که فقط توسط شرکت ژاپنی کواکس ساخته شده است.کنترل سیستم های چند کیوبیتی مستلزم تولید و هماهنگی تعداد زیادی سیگنال الکتریکی با وضوح زمان بندی دقیق و قطعی است. این منجر به توسعه کنترل‌کننده‌های کوانتومی شده است که ارتباط با کیوبیت‌ها را امکان‌پذیر می‌کنند. مقیاس‌بندی این سیستم‌ها برای پشتیبانی از تعداد فزاینده‌ای از کیوبیت‌ها یک چالش دیگر است.

ناهمدوسی کوانتومی

یکی از بزرگ‌ترین چالش‌های موجود در ساخت رایانه‌های کوانتومی، کنترل یا حذف ناهمدوسی کوانتومی است. این معمولا به معنای جداسازی سیستم از محیط خود است زیرا تعامل با دنیای بیرونی باعث می‌شود که سیستم از همبستگی خارج شود. با این حال، منابع دیگری برای عدم انسجام نیز وجود دارد. به عنوان مثال می توان به گیت های کوانتومی و ارتعاشات شبکه و اسپین گرمایی هسته ای پس زمینه ای سیستم فیزیکی که برای اجرای کیوبیت ها استفاده می شود اشاره کرد. عدم انسجام برگشت ناپذیر است، و باید به شدت کنترل شود. در حال حاضر، برخی از کامپیوترهای کوانتومی به منظور جلوگیری از انسجام قابل توجه، به کیوبیت‌های خود نیاز دارند که تا 20 میلی‌کلوین (معمولا با استفاده از یخچال رقیق‌سازی) خنک شوند. یک مطالعه در سال 2020 استدلال می‌کند که پرتوهای یونیزان مانند پرتوهای کیهانی می‌توانند باعث شوند که سیستم‌های خاصی در عرض میلی‌ثانیه جدا شوند.در نتیجه، کارهای وقت گیر ممکن است برخی از الگوریتم های کوانتومی را غیرقابل اجرا کند، زیرا حفظ وضعیت کیوبیت ها برای مدت زمان کافی طولانی، در نهایت برهم نهی ها را خراب می کند.

این مسائل برای رویکردهای نوری دشوارتر هستند، زیرا مقیاس‌های زمانی مرتبه‌ای کوتاه‌تر هستند و یک رویکرد موثر برای غلبه بر آن ها شکل‌دهی پالس نوری است. نرخ خطا معمولا متناسب با نسبت زمان عملیاتی به زمان ناپیوستگی است، از این رو هر عملیاتی باید بسیار سریعتر از زمان عدم انسجام کامل شود.همان طور که در قضیه آستانه کوانتومی توضیح داده شد، اگر میزان خطا به اندازه کافی کوچک باشد، تصور می‌شود که می‌توان از تصحیح خطای کوانتومی برای سرکوب خطاها و عدم پیوستگی استفاده کرد. در صورتی که طرح تصحیح خطا بتواند خطاها را سریعتر از زمانی که ناهمدوسی معرفی می کند، تصحیح کند، این اجازه می دهد تا کل زمان محاسبه بیشتر از زمان عدم انسجام باشد. رقمی که اغلب برای نرخ خطای مورد نیاز در هر گیت برای رایانش تحمل‌پذیر خطا ذکر می‌شود، است، با این فرض که نویز دپلاریزاسیون است.

تحقق این شرط مقیاس پذیری برای طیف وسیعی از سیستم ها امکان پذیر است. با این حال، استفاده از تصحیح خطا هزینه افزایش زیادی از کیوبیت های مورد نیاز را به همراه دارد. عدد مورد نیاز برای فاکتورگیری اعداد صحیح با استفاده از الگوریتم شر هنوز چند جمله‌ای است و گمان می‌رود بین L و باشد، که در آن L تعداد ارقام عددی است که باید فاکتور گرفته شوند. الگوریتم‌های تصحیح خطا این رقم را با ضریب L افزایش می‌دهند. برای یک عدد 1000 بیتی، این به معنای نیاز به حدود 104 بیت بدون تصحیح خطا است. با تصحیح خطا، این رقم به حدود 107 بیت افزایش می یابد. زمان محاسبه حدود یا حدود 107 گام و در 1 مگاهرتز، حدود 10 ثانیه است.یک رویکرد بسیار متفاوت برای مسئله پایداری-ناپیوستگی، ایجاد یک کامپیوتر کوانتومی توپولوژیکی با آنیون‌ها، و استفاده از شبه ذرات مورد استفاده به عنوان رشته‌ها و تکیه بر نظریه braid برای تشکیل گیت‌های منطقی پایدار است.

برتری کوانتومی

برتری کوانتومی اصطلاحی است که توسط جان پرسکیل ابداع شده است و به شاهکار مهندسی نشان می دهد که یک دستگاه کوانتومی قابل برنامه ریزی می تواند مسئله هایی فراتر از توانایی های پیشرفته کامپیوترهای قدیمی را حل کند. در اکتبر 2019، Google AI Quantum، با کمک ناسا، اولین کسی بود که ادعا کرد با انجام رایانش روی رایانه کوانتومی Sycamore بیش از 3000000 برابر سریعتر از آنچه در Summit انجام می شود، به برتری کوانتومی دست یافته است، که عموما سریعترین در جهان در نظر گرفته می شود. کامپیوتر.در دسامبر 2020، گروهی در USTC برای نشان دادن برتری کوانتومی، نوعی نمونه‌برداری از بوزون را روی 76 فوتون با کامپیوتر کوانتومی فوتونیک Jiuzhang اجرا کردند. نویسندگان ادعا می کنند که یک ابر رایانه کلاسیک معاصر به زمان رایانشی 600 میلیون سال نیاز دارد تا تعداد نمونه هایی را که پردازنده کوانتومی آن ها می تواند در 20 ثانیه بسازد، تولید کند. در 16 نوامبر 2021 در اجلاس رایانش کوانتومی IBM یک ریزپردازنده 127 کیوبیتی به نام IBM Eagle را ارائه کرد.

ارتباط با محاسبه پذیری و نظریه پیچیدگی

نظریه محاسبه پذیری

هر مسئله قابل حل توسط یک کامپیوتر قدیمی نیز توسط یک کامپیوتر کوانتومی قابل حل است. به طور شهودی، دلیل آن این است که همه پدیده‌های فیزیکی، از جمله عملکرد رایانه‌های قدیمی، را می‌توان با استفاده از مکانیک کوانتومی، که زیربنای عملکرد رایانه‌های کوانتومی است، وصف کرد.برعکس، هر مشکلی که توسط یک کامپیوتر کوانتومی قابل حل باشد، توسط یک کامپیوتر قدیمی نیز قابل حل است. اگر زمان کافی داده شود، می توان کامپیوترهای کوانتومی و قدیمی را به صورت دستی تنها با مقداری کاغذ و قلم شبیه سازی کرد. به طور رسمی، هر کامپیوتر کوانتومی را می توان توسط ماشین تورینگ همانند سازی کرد. به عبارت دیگر، رایانه‌های کوانتومی از نظر قابلیت محاسبه، هیچ قدرت اضافی نسبت به رایانه‌های کلاسیک ارائه نمی‌کنند. این بدان معناست که رایانه‌های کوانتومی نمی‌توانند مسائل غیرقابل تصمیم‌گیری مانند مشکل توقف را حل کنند و وجود رایانه‌های کوانتومی نظریه چرچ-تورینگ را رد نمی‌کند.

نظریه پیچیدگی کوانتومی

در حالی که رایانه‌های کوانتومی نمی‌توانند مسائلی را که رایانه‌های قدیمی نیز نمی‌توانند حل کنند، حل کنند، گمان می‌رود که بتوانند مسائل خاصی را سریع‌تر از رایانه‌های قدیمی حل کنند. به عنوان مثال، مشخص است که رایانه‌های کوانتومی بهتر می‌توانند از اعداد صحیح فاکتور بگیرند. دسته ای از مسائلی که می تواند توسط یک کامپیوتر کوانتومی با خطای محدود حل شود، BQP نامیده می شود. BQP کلاس مسائلی است که می تواند توسط یک ماشین تورینگ کوانتومی چند جمله ای با احتمال خطا حداکثر حل شود. به عنوان یک کلاس از مسائل احتمالی، BQP همتای کوانتومی BPP است. BPP کلاسی از مسائلی است که می توانند توسط ماشین های تورینگ احتمالی چند جمله ای با خطای کران حل شوند. مشخص است که کامپیوترهای کوانتومی از نظر پیچیدگی زمانی قوی تر از کامپیوترهای قدیمی هستند.

رابطه دقیق BQP با P، NP و PSPACE مشخص نیست. با این حال، مشخص است که تمام مسائلی که می توانند به طور کارآمد توسط یک کامپیوتر قدیمی حل شوند، می توانند توسط یک کامپیوتر کوانتومی نیز حل شوند، و تمام مسائلی که می توانند توسط یک کامپیوتر کوانتومی حل شوند نیز می توانند توسط یک کامپیوتر قدیمی قطعی با منابع فضایی چند جمله ای حل شوند.هم چنین گمان می رود که BQP یک ابرمجموعه دقیق از P است، به این معنی که مسائلی وجود دارد که به طور مؤثر توسط رایانه های کوانتومی قابل حل هستند که به طور موثر توسط رایانه های کلاسیک قطعی قابل حل نیستند. به عنوان مثال، فاکتورگیری اعداد صحیح و مسئله لگاریتم گسسته در BQP شناخته شده است و گمان می رود خارج از P باشد. در مورد رابطه BQP با NP، اطلاعات کمی فراتر از این واقعیت است که برخی از مسائل NP وجود دارند. P نیز در BQP هستند مثلا فاکتورگیری عدد صحیح و مسئله لگاریتم گسسته هر دو در NP هستند. گمان می رود مسائلی وجود دارد که به طور کارآمد توسط یک کامپیوتر کوانتومی قابل حل نیستند. همچنین گمان می رود که BQP از کلاس مسائل NP کامل جدا باشد.

چرا به کامپیوترهای کوانتومی نیاز داریم؟

برای برخی مشکلات، ابررایانه ها آنقدرها هم کارآمد نیستند.هنگامی که دانشمندان و مهندسان با مشکلات دشواری مواجه می شوند، به ابررایانه ها روی می آورند. آن ها کامپیوترهای قدیمی بسیار بزرگی هستند که اغلب دارای هزاران هسته CPU و GPU هستند. با این حال، حتی ابرکامپیوترها نیز برای حل انواع خاصی از مسئله ها دچار سختی می شوند. اگر یک ابر کامپیوتر دچار مشکل شود، احتمالا به این دلیل است که از ماشین قدیمی بزرگ خواسته شده است تا یک مسئله را با درجه پیچیدگی بالایی حل کند. هنگامی که کامپیوترهای قدیمی از کار می افتند، اغلب به دلیل پیچیدگی است.مسائل پیچیده مسائلی هستند که تعداد زیادی از متغیرها به روش های پیچیده ای در ارتباط با هم هستند. مدل‌سازی رفتار تک تک اتم‌ها در یک مولکول یک مشکل پیچیده است، زیرا تمام الکترون‌های مختلف با یکدیگر برهمکنش دارند. تعیین مسیرهای ایده آل برای چند صد نفتکش در یک شبکه جهانی کشتیرانی نیز پیچیده است.برخی از مشکلات پیچیده کمتر آشکار هستند: یک ابررایانه برای یافتن چیدمان صندلی ایده‌آل برای حتی 10 مهمان در یک مهمانی شام، اگر نخواهند همه آنها بخواهند کنار یکدیگر بنشینند، یا عامل های اول عددی بزرگ را بیابند، با مشکل مواجه می‌شوند.

چرا کامپیوترهای کوانتومی سریع تر هستند؟

بیایید به مثالی نگاه کنیم که نشان می‌دهد چگونه کامپیوترهای کوانتومی می‌توانند در جایی که کامپیوترهای کلاسیک شکست می‌خورند موفق شوند:یک ابر رایانه ممکن است در کارهای دشواری مانند مرتب کردن یک پایگاه داده بزرگ از توالی پروتئین ها عالی باشد. اما برای دیدن الگوهای ظریف در آن داده ها که نحوه رفتار آن پروتئین ها را تعیین می کند، مشکل خواهد بود.پروتئین‌ها رشته‌های بلندی از اسیدهای آمینه هستند که وقتی به شکل‌های پیچیده در می‌آیند به ماشین‌های بیولوژیکی مفیدی تبدیل می‌شوند. فهمیدن این که چگونه پروتئین ها خم می شوند مشکلی است که پیامدهای مهمی برای زیست شناسی و پزشکی دارد. یک ابرکامپیوتر قدیمی ممکن است سعی کند پروتئینی را با روشی پیچیده خم کند و از پردازنده های متعدد خود برای بررسی هر روش ممکن برای خم کردن زنجیره شیمیایی پیش از رسیدن به پاسخ استفاده کند. اما با طولانی‌تر شدن و پیچیده‌تر شدن توالی پروتئین، ابررایانه متوقف می‌شود. زنجیره ای از 100 اسید آمینه از نظر تئوری می تواند به هر یک از تریلیون ها راه خم شود.

هیچ رایانه ای حافظه کاری برای مدیریت تمام ترکیبات ممکن از دسته های تکی ندارد.الگوریتم‌های کوانتومی رویکرد جدیدی را برای این نوع مسائل پیچیده دارند.در این رویکرد از ایجاد فضاهای چند بعدی که الگوهای نقاط داده را به هم پیوند می دهند استفاده می شود. در مورد مشکل خم شدن پروتئین، این الگو ممکن است ترکیبی از دسته هایی باشد که کمترین انرژی را برای تولید نیاز دارند. نحوه ترکیب دسته ها راه حل مسئله است. کامپیوترهای قدیمی نمی توانند این فضاهای رایانشی را ایجاد کنند، بنابراین نمی توانند این الگوها را داشته باشند. در مورد پروتئین‌ها، الگوریتم‌های کوانتومی اولیه‌ای وجود دارند که می‌توانند الگوهای تاشو را به روش‌های کاملا جدید و کارآمدتر، بدون بررسی‌های پر زحمت رایانه‌های قدیمی، پیدا کنند. با پیشرفت مقیاس‌های سخت‌افزار کوانتومی و این الگوریتم‌ها، آن ها می‌توانند مشکلات تاخوردگی پروتئین را برای هر ابرکامپیوتری بسیار پیچیده حل کنند.

کامپیوترهای کوانتومی چگونه کار می کنند؟

کامپیوترهای کوانتومی ماشین‌های ظریفی هستند، کوچک‌تر و به انرژی کمتری نسبت به ابررایانه‌ها نیاز دارند. یک پردازنده کوانتومی IBM یک wafer است که خیلی بزرگتر از آن چیزی است که در لپ تاپ یافت می شود و یک سیستم سخت افزاری کوانتومی تقریبا به اندازه یک ماشین است که از سیستم های خنک کننده تشکیل شده است تا پردازنده ابررسانا را در دمای عملیاتی فوق العاده سرد خود نگه دارد.یک پردازنده قدیمی از بیت ها برای انجام عملیات خود استفاده می کند. یک کامپیوتر کوانتومی از کیوبیت ها برای اجرای الگوریتم های کوانتومی چند بعدی استفاده می کند.

اصطلاحات مربوط به کامپیوترهای کوانتومی

ابر سیال ها

رایانه رومیزی شما احتمالا از یک فن برای خنک شدن سیستم خود استفاده می کند. پردازنده های کوانتومی ما باید بسیار سرد باشند حدود یک صدم درجه بالای صفر مطلق. برای رسیدن به این هدف، ما از ابر سیالات فوق سرد برای ایجاد ابررساناها استفاده می کنیم.

ابررساناها

در دما بسیار پایین، مواد خاصی در پردازنده‌ها اثر مکانیکی کوانتومی مهم دیگری از خود نشان می‌دهند: الکترون‌ها بدون مقاومت در آن ها حرکت می‌کنند. این کار آن ها را به «ابررساناها» تبدیل می کند. هنگامی که الکترون ها از ابررساناها عبور می کنند، با هم هماهنگ می شوند و «جفت کوپر» را تشکیل می دهند. این جفت ها می توانند بار را از طریق موانع یا نارساناها از طریق فرآیندی به نام تونل زنی کوانتومی حمل کنند. دو ابر رسانا که در دو طرف یک نارسانا قرار گرفته اند، یک اتصال جوزفسون را تشکیل می دهند.

کنترل

کامپیوترهای کوانتومی از اتصالات جوزفسون به عنوان کیوبیت های ابررسانا استفاده می کنند. با شلیک فوتون‌های مایکروویو به این کیوبیت‌ها، می‌توانیم رفتار آنها را کنترل کنیم و آنها را وادار کنیم تا واحدهای جداگانه اطلاعات کوانتومی را نگه دارند، تغییر دهند و بخوانند.

برهم نهی

خود کیوبیت خیلی مفید نیست. اما می تواند یک ترفند مهم را انجام دهد: قرار دادن اطلاعات کوانتومی در حالت برهم نهی، که نشان دهنده ترکیبی از تمام تنظیمات ممکن کیوبیت است. گروه هایی از کیوبیت ها در برهم نهی می توانند فضاهای رایانشی پیچیده و چند بعدی ایجاد کنند. مسائل پیچیده را می توان به شیوه های جدیدی در این فضاها نشان داد.

در هم تنیدگی

درهم تنیدگی یک اثر مکانیکی کوانتومی است که رفتار دو چیز مجزا را به هم مرتبط می کند. هنگامی که دو کیوبیت در هم تنیده می شوند، تغییر یک کیوبیت مستقیما بر دیگری تاثیر می گذارد. الگوریتم های کوانتومی از این روابط برای یافتن راه حل هایی برای مسائل پیچیده استفاده می کنند.

یادگیری رایانش کوانتومی

می توانید به صورت رایگان در IBM Cloud وارد دنیای رایانش کوانتومی شده و نوشتن برنامه های کوانتومی را یاد بگیرید. کامپیوترهای کوانتومی IBM با استفاده از Qiskit که یک توسعه نرم افزار است برنامه‌ نویسی می‌شوند. در لینک می توانید بهترین منابع برای یادگیری رایانش کوانتومی ببینید. در زیر بهترین کتاب ها برای یادگیری رایانش کوانتومی آورده شده اند: