Konteks pengkomputeran kuantum

Dalam video berikut, Olivia Lanes membimbing kamu melalui kandungan dalam pelajaran ini. Sebagai alternatif, kamu boleh buka video YouTube untuk pelajaran ini dalam tetingkap berasingan.

Kamu mulakan kursus ini dengan terus menjalankan Circuit kuantum pertama, dan belajar bagaimana undang-undang mekanik kuantum digunakan untuk mencipta keadaan kuantum, Gate, dan Circuit. Sekarang, jom kita ambil pandangan yang lebih luas. Dalam bahagian ini, kita akan terokai pengkomputeran kuantum melalui rangka kerja yang berbeza yang akan membantu kamu menavigasi perbualan, berita utama, dan artikel tentang pengkomputeran kuantum dengan lebih kritis.

Tidak dinafikan ada banyak keseronokan tentang pengkomputeran kuantum, dan kemungkinan yang boleh ditawarkan oleh teknologi ini. Ada yang sampai panggil ia "hype." Seperti yang selalu berlaku apabila ada hype tentang penemuan baru, sukar untuk membezakan fakta daripada fiksyen. Dengan fikiran itu, lebih baik mulakan dengan apa yang pengkomputeran kuantum bukan:

• Pengkomputeran kuantum tidak akan menggantikan komputer tradisional, klasik — dan ia juga tidak akan berakhir dalam "telefon bimbit kuantum"
• Ia bukan cara untuk "menyemak semua jawapan yang mungkin pada masa yang sama serentak"
• Ia tidak lebih baik secara universal berbanding komputer klasik untuk semua tugas
• Ia tidak dalam peperangan dengan AI
• Ia tidak berguna sehingga kita mencapai toleran kesalahan atau pembetulan ralat
• Ia bukan sihir

Harapnya itu tidak membuat kamu mahu tinggalkan kursus ini sepenuhnya atau berfikir tidak ada nilai di sini. Sebaliknya! Pengkomputeran kuantum berpotensi menjadi sangat berkuasa — tetapi hanya untuk aplikasi tertentu. Nasibnya, aplikasi-aplikasi tersebut merangkumi bidang penyelidikan aktif yang boleh secara asasnya mengubah cara kita menangani masalah penting, seperti simulasi kimia, penerokaan bahan, dan analisis set data yang besar. Sebelum kita terokai bidang aplikasi ini, jom kita gali beberapa salah tanggapan ini dengan lebih terperinci.

Penskalaan

Satu lagi salah tanggapan biasa mengenai komputer kuantum ialah lebih banyak qubit mereka ada, lebih berkuasa mereka. Walaupun ini tidak semestinya salah, ia tidak melukiskan gambaran penuh. Walaupun penskalaan dalam kuantiti sememangnya elemen penting, ia tidak lebih penting daripada kualiti qubit itu sendiri. Kualiti diukur dalam beberapa cara, salah satu yang paling penting ialah masa koherensi dan dephasing, atau masing-masing $T_1$ dan $T_2$. Ini adalah ukuran berapa lama maklumat kuantum dalam qubit boleh kekal stabil. Apabila qubit superkondukting pertama ditunjukkan, nombor ini adalah dalam tertib nanosaat (Nakamura et al., 1999); kini, kita kerap menghasilkan qubit yang mempunyai masa koherensi stabil ratusan mikrosaat.

Satu lagi komponen kritikal yang kita tunjuk apabila kita melihat bagaimana komputer kuantum bertambah baik ialah kelajuan. Untuk mengukur kelajuan kita menggunakan sesuatu yang dipanggil Operasi Lapisan Circuit per Saat (CLOPS). CLOPS menggabungkan masa untuk menjalankan Circuit serta pengiraan klasik masa nyata dan hampir-nyata, membolehkannya berfungsi sebagai ukuran kelajuan holistik tunggal.

Ketiga-tiga elemen ini bersama-sama diperlukan untuk terus membina jalan menuju komputer kuantum universal yang toleran kesalahan. Itulah sebabnya, apabila melihat peta jalan IBM Quantum®, kamu akan perasan bahawa beberapa lompatan antara pemproses tidak mempunyai peningkatan besar dalam bilangan qubit. Sebagai contoh, perhatikan peningkatan qubit yang sederhana antara Heron dan Nighthawk, kerana itu bukan fokus sebenar penambahbaikan tersebut. Sebaliknya, Nighthawk melaksanakan topologi sambungan baru yang akan membolehkan kod pembetulan ralat yang berbeza.

Pembetulan ralat versus pengurangan ralat

Pembetulan ralat kekal sebagai salah satu matlamat jangka panjang terbesar bagi penyelidik dalam pengkomputeran kuantum. Ia berdasarkan premis bahawa qubit akan sentiasa kekal agak bising dan terdedah kepada ralat, dan jika kita mahu menjalankan algoritma berskala besar, seperti algoritma Shor contohnya, kita akan perlukan kemampuan untuk mengesan dan membetulkan ralat ini dalam masa nyata. Terdapat banyak jenis kod pembetulan ralat, dan kita merujuk kamu kepada kursus lain (seperti kursus Foundations of quantum error correction) jika kamu mahu mendalaminya.

Pengurangan ralat, sebaliknya, sudah pun digunakan secara tetap untuk meningkatkan hasil pengkomputeran kuantum. Idea di sebalik pengurangan ralat ialah kita terima bahawa ralat akan berlaku, dan cuba meramalkan tingkah lakunya untuk mengurangkan kesan ralat tersebut. Terdapat banyak teknik pengurangan ralat; banyak yang memerlukan beberapa kali jalankan pada komputer kuantum ditambah beberapa pemprosesan lepas klasik. Adalah tidak mungkin bahawa pembetulan ralat akan menggantikan sepenuhnya pengurangan ralat. Sebaliknya, kita meramalkan kedua-duanya akan digunakan bersama untuk memberikan hasil terbaik yang mungkin daripada komputer kuantum.

Komponen pengkomputeran kuantum

Tadi, kita sebut bahawa adalah salah tanggapan biasa bahawa komputer kuantum akan suatu hari nanti menggantikan komputer klasik. Ini jelas tidak benar; komputer kuantum dan komputer klasik sebenarnya tidak sedang berperang untuk menggantikan antara satu sama lain. Malah, seperti yang dinyatakan dalam bahagian sebelumnya, komputer kuantum memerlukan komputer klasik untuk berfungsi, dengan pelbagai sebab. Apabila kita bercakap tentang "komputer" secara am, kita biasanya mengandaikan ia merangkumi semua komponen seperti CPU, RAM, memori, dan sebagainya. Sebaliknya, komputer kuantum tidak mempunyai semua komponen ini. Selalunya apabila orang bercakap tentang komputer kuantum, mereka sebenarnya merujuk kepada QPU, atau Unit Pemproses Kuantum, yang mengambil alih peranan pemprosesan daripada CPU. QPU itu sendiri bukan komputer tujuan am. Ia tidak menjalankan sistem operasi, mengurus memori, atau mengendalikan antara muka pengguna. Peranannya semata-mata adalah untuk memanipulasi qubit mengikut operasi kuantum yang dikawal rapi sebelum mengembalikan hasil ukuran kepada sistem klasik.

Dalam praktiknya, komputer kuantum hari ini paling baik difahami sebagai sistem hibrid. Komputer klasik mengorkestrakan aliran kerja — menyediakan input, menyusun Circuit kuantum, menjadualkan kerja, dan memproses hasil selepas — sementara QPU hanya melaksanakan bahagian kuantum pengiraan. Walaupun perkakasan kuantum berkembang maju, pembahagian tugas ini dijangka berterusan, dengan kemajuan memberi tumpuan kepada integrasi yang lebih rapat dan komunikasi yang lebih pantas antara sistem klasik dan QPU berbanding menghapuskan komponen klasik sepenuhnya.

Bidang aplikasi pengkomputeran kuantum yang mungkin

Kita mengklasifikasikan secara am bidang yang kita percaya pengkomputeran kuantum akan paling memberi impak kepada empat kategori: pengoptimuman, simulasi Hamiltonian, Persamaan Pembezaan Separa (PDE), dan pembelajaran mesin.

Simulasi Hamiltonian

Topik ini adalah tentang mensimulasikan proses mekanik kuantum yang terdapat dalam alam. Pada terasnya, ia melibatkan dua tugas luas: mencari tenaga keadaan dasar sistem yang dihuraikan oleh Hamiltoniannya, yang mengekodkan jumlah tenaga dan interaksi dalam sistem, dan mensimulasikan cara sistem itu berkembang mengikut masa (dinamik kuantum).

Ini adalah salah satu bidang aplikasi paling semula jadi untuk komputer kuantum: sistem kuantum terkenal sukar untuk disimulasikan pada komputer klasik, kerana saiz ruang keadaan kuantum berkembang secara eksponen dengan bilangan zarah. Komputer kuantum, sebaliknya, mewakili keadaan kuantum secara langsung, menjadikan mereka sesuai — sekurang-kurangnya secara prinsip — untuk jenis masalah ini.

Bidang aplikasi utama meliputi:

• Kimia dan sains bahan: meramalkan struktur molekul, laluan tindak balas, tenaga pengikatan, dan sifat bahan
• Fizik jirim pekat: mengkaji sistem yang sangat berkorelasi, peralihan fasa, dan keadaan kuantum yang eksotik
• Fizik tenaga tinggi dan nuklear: memodelkan interaksi zarah

Dalam jangka panjang, kemajuan dalam simulasi Hamiltonian boleh membolehkan:

• Penemuan ubat dan reka bentuk pemangkin yang lebih tepat
• Penemuan bahan baru untuk bateri
• Pemahaman yang lebih mendalam tentang fenomena fizikal asas

Banyak algoritma kuantum yang paling banyak dikaji, seperti SQD, dibangunkan khusus dengan simulasi Hamiltonian dalam fikiran. Hasilnya, kategori ini sering dilihat sebagai salah satu kes penggunaan yang paling menarik secara saintifik dan berasas secara teori untuk pengkomputeran kuantum.

Pengoptimuman

Masalah pengoptimuman melibatkan mencari penyelesaian terbaik daripada set penyelesaian yang besar, tertakluk kepada kekangan. Masalah-masalah ini muncul merentasi sains, kejuruteraan, dan industri, dan sering menjadi tidak dapat dikira secara pengiraan apabila saiz masalah meningkat.

Contoh termasuk:

• Penjadualan dan penghalaan (contohnya, rantaian bekalan, aliran trafik, penjadualan syarikat penerbangan)
• Pengoptimuman portfolio dan pengurusan risiko (kewangan)
• Peruntukan sumber dan logistik
• Masalah kombinatorial seperti pembahagian graf dan max-cut

Banyak masalah pengoptimuman dikategorikan sebagai NP-sukar dalam teori kerumitan, bermakna algoritma klasik biasanya bergantung pada heuristik atau penghampiran untuk kes yang besar. Kerana qubit berkelakuan berbeza daripada bit klasik, kita boleh memodelkan penyelesaian secara berbeza. Ini mungkin membolehkan kita meneroka ruang penyelesaian dengan lebih pantas atau lebih lengkap berbanding algoritma klasik.

Pendekatan kuantum biasa termasuk:

• Algoritma variatif, seperti Quantum Approximate Optimization Algorithm (QAOA)
• Aliran kerja klasik–kuantum hibrid, di mana penyelesai klasik membimbing dan memperhalusi subrutin kuantum

Walaupun masih merupakan soalan terbuka bila — atau untuk masalah mana — pengoptimuman kuantum akan memberikan kelebihan yang jelas berbanding kaedah klasik terkini, pengoptimuman kekal sebagai bidang minat utama kerana keberadaannya di mana-mana dan pemetaan semula jadi antara objektif pengoptimuman dan Hamiltonian kuantum.

Persamaan Pembezaan Separa (PDE)

Persamaan pembezaan separa menggambarkan bagaimana kuantiti fizikal berubah merentasi ruang dan masa. Ia menyokong banyak model paling penting dalam sains dan kejuruteraan, termasuk dinamik bendalir, elektromagnetisme, pemindahan haba, dan pemodelan kewangan.

Contoh termasuk:

• Persamaan Navier–Stokes untuk aliran bendalir
• Persamaan Schrödinger dan gelombang
• Persamaan Maxwell
• Black–Scholes dan PDE kewangan berkaitan

Menyelesaikan PDE secara berangka pada komputer klasik sering memerlukan grid ruang yang halus dan evolusi masa yang panjang, membawa kepada kos pengiraan dan penggunaan memori yang tinggi.

Algoritma kuantum untuk PDE biasanya bergantung pada perkara berikut:

• Memetakan PDE kepada sistem persamaan linear yang besar
• Subrutin algebra linear kuantum, seperti algoritma HHL dan variannya
• Aliran kerja hibrid di mana pra-pemprosesan dan pasca-pemprosesan klasik mengelilingi teras kuantum

Secara teori, pendekatan kuantum tertentu boleh menawarkan pecutan eksponen atau polinomial di bawah andaian tertentu (seperti penyediaan dan bacaan keadaan yang cekap). Dalam praktiknya, penyelesaian PDE dijangka menjadi aplikasi jangka panjang, sangat berkait rapat dengan kemajuan dalam pengkomputeran kuantum toleran kesalahan dan integrasi kuantum–klasik dengan sistem pengkomputeran prestasi tinggi (HPC).

Pembelajaran mesin

Pembelajaran mesin kuantum (QML) meneroka cara komputer kuantum mungkin meningkatkan atau mempercepatkan aspek pembelajaran mesin dan analisis data. Ini merangkumi kedua-dua perkara berikut:

• Menggunakan komputer kuantum untuk meneroka masalah klasifikasi dengan tingkah laku klasifikasi yang berbeza daripada algoritma klasik
• Membangunkan model baru yang pada asasnya bersifat kuantum

Aplikasi yang dicadangkan termasuk yang berikut:

• Klasifikasi dan pengelompokan
• Kaedah kernel dan peta ciri
• Subrutin pengoptimuman dalam gelung latihan

Banyak algoritma QML memanfaatkan yang berikut:

• Circuit kuantum berparameter sebagai model yang boleh dilatih
• Teknik pengoptimuman variatif
• Kernel kuantum yang secara tersirat beroperasi dalam ruang ciri berdimensi tinggi

Walau bagaimanapun, pembelajaran mesin adalah bidang yang sangat mencabar untuk kelebihan kuantum. Pembelajaran mesin klasik sangat matang, dan model kuantum mesti bersaing dengan isu seperti pemuatan data, bunyi, dan penskalaan.

Hasilnya, penyelidikan semasa memberi tumpuan kepada bidang ini:

• Mengenal pasti rejim tertentu di mana model kuantum mungkin mengatasi model klasik
• Meneroka QML sebagai sebahagian daripada aliran kerja hibrid berbanding penggantian bebas
• Memahami keekspresifan, kebolehlatihan, dan generalisasi model kuantum

Pembelajaran mesin kuantum kekal sebagai bidang penyelidikan aktif, dengan potensi impak jangka panjang — tetapi juga soalan terbuka yang ketara tentang bila dan di mana kelebihan praktikal akan muncul.

Kesimpulan

Pelajaran ini telah menjelaskan bahawa kelebihan kuantum bukan tentang menggantikan komputer. Ia tentang mengembangkan apa yang boleh dikira. Ia adalah salah satu projek kejuruteraan paling bercita-cita tinggi yang pernah dicuba oleh manusia. Dan seperti semua projek bercita-cita tinggi, ia tidak kemas, perlahan, dan sungguh menakjubkan.

Jika kamu mahu tindak lanjut tentang bagaimana algoritma-algoritma ini sebenarnya berfungsi, pelajaran seterusnya akan menunjukkan ke mana pergi dari sini berdasarkan minat dan matlamat kerjaya kamu.