هوش مصنوعی و محاسبات کوانتومی

محاسبات کوانتومی (QC) با سرعتی سریع در حال محبوبیت است. سازگاری آن توجه کافی را به خود جلب می کند تا به رشد آن کمک کند. شرکت‌های برتر از سراسر جهان، موسسات تحقیقاتی، استارت‌آپ‌ها و سازمان‌هایی با منابع کافی، همگی در پیشرفت این بخش قابل توجه کمک کرده‌اند. در حالی که بسیاری نسبت به توانایی آن برای دستیابی به نتایج استثنایی در سطحی ک

ه ادعا می‌کند تردید دارند، دیگران در مورد راه‌حل‌هایی که می‌تواند برای چالش‌های امروزی ارائه کند که خارج از دسترس محاسبات کلاسیک سنتی (CC) هستند هیجان‌زده هستند. توجه به این نکته حیاتی است که QC تکنیک یا الگوی برای سرکوب یا سرکوب CC به خودی خود نیست، بلکه برای افزایش سرعتی است که ممکن است CC در آن عقب باشد.
یادگیری ماشین کوانتومی (QML)، موضوعی در حال رشد که اطلاعات کوانتومی (الگوریتم‌ها) را با یادگیری ماشین (ML) [1] یا الگوریتم‌های یادگیری ماشین کلاسیک اعمال شده بر روی دستگاه‌های کوانتومی ترکیب می‌کند، یکی از مدل‌های QC است. ما امیدواریم که با استفاده از این منطقه ترکیبی، مشکلات مربوط به عملکرد بهبود یافته را برطرف کنیم و از نظر تئوری پیچیدگی، باید بتوانیم زمان اجرا و فضای حافظه را کاهش دهیم.

در یک کامپیوتر کوانتومی، الگوریتم‌های کوانتومی عملیات گام به گام هستند [2]: این عملیات که از مفاهیم مکانیک کوانتومی مانند برهم‌نهی و درهم تنیدگی، بهبود سرعت، بهینه‌سازی و سایر محاسبات کارآمد استفاده می‌کنند که نمی‌توانند در یک کامپیوتر سنتی انجام شوند. . اگرچه این موضوع در حال توسعه است، اما کار زیادی برای طراحی الگوریتم هایی انجام شده است که در آینده نزدیک با دستگاه های کوانتومی کار می کنند. مرجع. [3] فهرست کاملی از الگوریتم های کوانتومی قابل دسترس را ارائه می دهد.

فیزیک مدرن و هوش مصنوعی

این بخش با مقدمه ای کوتاه بر مکانیک کوانتومی آغاز می شود و پس از آن بحثی در مورد یادگیری ماشینی مطرح می شود. بخش بعدی توضیح می‌دهد که چگونه این دو علم با سایر رشته‌های علم اطلاعات برای ایجاد محاسبات کوانتومی پیوند خوردند.
مکانیک کوانتومی

مکانیک کوانتومی نظریه ای بنیادی است که همه دانش را در مورد رفتار ماده و نور توضیح می دهد و ارائه می دهد. اجسام در فیزیک کوانتوم دارای کیفیت های موج مانند هستند [4]. علیرغم این مفهوم رایج که مکانیک کوانتومی محدود به ذرات زیراتمی است، پیش‌بینی‌هایی انجام شده است که QM مشکلات محاسباتی را در حوزه‌هایی مانند شیمی، فیزیک، یادگیری ماشین و ارتقای امنیت سیستم ارتباطی حل می‌کند [5].
نظریه کوانتوم
مکانیک کوانتومی چارچوبی برای درک پدیده های کوانتومی است [4]. این چارچوب اطلاعاتی را در مورد وضعیت ذره ارائه می دهد که توسط یک تابع موج توصیف شده است که معمولاً به صورت ψ(x,t) نشان داده می شود.
. معادله شرودینگر تکامل زمانی این تابع موج را توصیف می کند که شامل تمام اطلاعات موجود در مورد ذره است [6]:
iℏ∂|ψ(t)⟩∂t=H^(t)|ψ(t)⟩.
(1)
که در آن ℏ ثابت پلانک و H^(t) است.
عملگر همیلتونی است که برای اهداف کلی انرژی سیستم را نشان می دهد.
فراگیری ماشین
ML توسط آرتور ساموئل در سال 1959 برای توصیف زمینه ای ابداع شد که در آن رایانه ها ممکن است انجام وظایف را بدون اینکه به آنها دستور داده شود، یاد بگیرند [7،8]. ریواس [9] تصویری از اکوسیستم ML ارائه کرد، در حالی که [8] زمینه های چند رشته ای ML را به تصویر کشید. هدف یادگیری ماشینی ایجاد الگوریتم هایی است که بتوانند به تنهایی از داده ها یاد بگیرند [10].
ML می تواند تحت نظارت یا بدون نظارت باشد [11]. یادگیری بدون نظارت تکنیکی برای یادگیری از داده ها است، که در آن سیگنال های نظارتی متعدد، یک تابع تناسب اندام را خود بهینه می کنند. در مقابل، یادگیری تحت نظارت فرآیندی است که در آن الگوریتم از برچسب ها به عنوان سیگنال های نظارتی یاد می گیرد [9]. در سال‌های اخیر، ML به سرعت به ابعاد بالاتر، مانند یادگیری عمیق، توسعه یافته است، که کاربردهای آن مانند طبقه‌بندی تصویر، رانندگی خودکار خودرو، تشخیص گفتار و موارد دیگر در زندگی روزمره قابل استفاده است [12].
تئوری اطلاعات کلاسیک، علوم کامپیوتر و فیزیک کوانتومی همگی در محاسبات کوانتومی ترکیب شده‌اند. در نتیجه می توان نتیجه گرفت که اطلاعات کوانتومی که دارای سه حوزه اصلی است: محاسبات کوانتومی، نظریه اطلاعات کوانتومی و رمزنگاری کوانتومی. ما در مورد محاسبات کوانتومی بحث خواهیم کرد، یعنی حوزه‌ای که از پدیده‌های کوانتومی استفاده می‌کند، مانند تداخل، برهم نهی، و درهم‌تنیدگی، و نشان‌گذاری دیراک یا براکت. برای کار بر روی حالت های کوانتومی، این حالت ها داده ها را نشان می دهند [13].

علم اطلاعات کوانتومی
همانطور که قبلاً اشاره شد، محاسبات کوانتومی از دو حوزه علوم ابداع شده است: فیزیک (مکانیک کوانتومی) و علم اطلاعات (ریاضی، علوم کامپیوتر نظری و کاربردی، و غیره).
نقاط بین علم اطلاعات و اصول فیزیک کوانتومی در اینجا به هم متصل می شوند. ما با تشریح فرضیه های مکانیک کوانتومی در ارتباط با نظریه اطلاعات کوانتومی شروع می کنیم. ما همچنین شامل یک عبارت یک خطی می‌شویم که اصطلاحات پردازش اطلاعات کوانتومی، مانند درهم‌تنیدگی، برهم‌نهی و افزایش سرعت را تعریف می‌کند. این خلاصه بر اساس Refs است. [1،13،14،15،16،17،18].
3.1. اصول مکانیک کوانتومی، درهم تنیدگی، حالت های مختلط و عملیات
ویژگی منحصر به فرد یک کامپیوتر کوانتومی در مقایسه با یک کامپیوتر کلاسیک این است که بیت (اغلب به عنوان کیوبیت نامیده می شود) می تواند در یکی از دو حالت (0 یا 1) و احتمالاً برهم نهی دو حالت (ترکیب خطی) باشد. از 0 و 1) در هر زمان. رایج ترین نمایش ریاضی یک کیوبیت است
|ψ⟩=α|0⟩+β|1⟩
(2)
معادله (2) یک حالت برهم نهی است که α
، β اعداد مختلط و |0⟩، |1⟩ حالتهای پایه محاسباتی هستند که یک مبنای متعارف در این فضای برداری را تشکیل می دهند. همانطور که در شکل 1 نشان داده شده است، می توان یک کیوبیت را با استفاده از یک کره بلوخ به صورت بصری نشان داد.

شکل 1. یک کره بلوخ. این برای تجسم حالت هندسی کیوبیت استفاده می شود. زوایا و بردارهای پایه را برای ψ می دهد
نمایندگی.
سپس به سراغ اصول مکانیک کوانتومی می رویم که با نموداری در شکل 2 که نمایش خلاصه ای از فرضیه ها را ارائه می دهد، قبل از آنها می رویم.

شکل 2. یک راه آسان برای نشان دادن نمودار فرضیات مکانیک کوانتومی. P1 فضای حالت را تعریف می کند، P2 تکامل را تعریف می کند، P3 اندازه گیری را تعریف می کند، و P4 سیستم ترکیبی را تعریف می کند، جایی که ψaψb≡ψaψb
.

اصل 1: فضای حالت. وضعیت یک سیستم کوانتومی توسط یک بردار واحد توصیف می شود |ψ⟩

که در فضای هیلبرت H.
این حالت شامل تمام اطلاعات لازم برای مشخص کردن سیستم است.
اصل 2: ​​تکامل. یک سیستم کوانتومی بسته دچار یک تکامل زمانی می شود |ψ(t)⟩
. این تکامل با یک تبدیل واحد که از معادله شرودینگر پیروی می کند (1) توصیف می شود.
اصل 3: اندازه گیری. اندازه گیری های کوانتومی را می توان با استفاده از مجموعه ای از عملگرهای اندازه گیری {Mm} بیان کرد.
در یک آزمایش، m نتایج احتمالی اندازه گیری را نشان می دهد. پس از اندازه گیری یک حالت، بگویید |ψ(t)⟩، احتمال یک نتیجه m p(m) است.

.
اصل 4: سیستم های مرکب. دو یا چند سیستم فیزیکی را می توان به عنوان یک سیستم ترکیبی در نظر گرفت. فضای حالت یک سیستم ترکیبی، فضای محصول تانسور حالت های سیستم های فیزیکی جزء است.

سایر خواص مهم

برهم نهی ترکیب خطی دو حالت.
درهم تنیدگی زمانی که مقادیر کیفیت های خاص یک سیستم با مقادیر ویژگی های متناظر سیستم دیگر همبستگی داشته باشند، دو سیستم کوانتومی در هم تنیده شده اند.
افزایش سرعت اگر الگوریتم کوانتومی به پرس و جوهای کمتری برای حل یک مسئله نسبت به روش کلاسیک نیاز داشته باشد، نتیجه یک افزایش سرعت کوانتومی است [19].

علم اطلاعات کوانتومی
ارتباطات کوانتومی، محاسبات کوانتومی، و سنجش کوانتومی (و مترولوژی) سه دسته تحقیقاتی در علم اطلاعات کوانتومی هستند. زیرمجموعه‌ها و فعالیت‌های تحقیقاتی خاصی وجود دارند که به هر یک از این گروه‌ها مربوط می‌شوند – که با ارتباطات کوانتومی شروع می‌شود، که اساساً فرآیند تبادل اطلاعات در سطح کوانتومی است. رمزنگاری کوانتومی و شبکه دو کاربرد محبوب این حوزه رو به رشد هستند. با حرکت به سمت سنجش کوانتومی، این شاخه از اطلاعات کوانتومی چگونگی تعامل دستگاه های کوانتومی با محیط اطراف خود را مطالعه می کند. سیستم ها و طرح های کوانتومی نمونه هایی از این نوع کاربرد هستند. در مبحث علم اطلاعات کوانتومی، محاسبات کوانتومی سومین موضوعی است که در مورد آن صحبت می شود.
کامپیوترهای کوانتومی در حال حاضر به دو نوع آنالوگ و دیجیتال تقسیم می شوند. کامپیوتر آنالوگ یک کامپیوتر کوانتومی است که بر اساس همیلتونی سیستم و حالت کوانتومی اولیه کیوبیت ها اجرا می شود. سه شکل از کامپیوترهای کوانتومی آنالوگ وجود دارد:

محاسبات کوانتومی آدیاباتیک (AQC) یک مدل محاسباتی است که از فرآیندهای مکانیکی کوانتومی آدیاباتیک استفاده می‌کند [20].
بازپخت کوانتومی (QA) تکنیکی برای ارزیابی حداقل یک تابع هدف است که بر اساس مفاهیم AQC ساخته شده است اما الزامات دقیق آن را برآورده نمی کند [20].
شبیه سازی کوانتومی (QS) استفاده از یک سیستم کوانتومی قابل کنترل برای بررسی یک سیستم کوانتومی کمتر قابل کنترل یا در دسترس است [21].

کامپیوتر کوانتومی دیجیتال دومین نوع کامپیوتر کوانتومی است. این یک دستگاه کوانتومی است که با استفاده از تعداد محدودی از عملیات ابتدایی که گیت نامیده می شوند، روی بیت های کوانتومی (کیوبیت) محاسبه می کند. محاسبات کوانتومی مبتنی بر گیت رایج ترین نوع کامپیوتر دیجیتال است.

 محاسبات کوانتومی مبتنی بر گیت (GBQC) داده‌ها را می‌پذیرد و آن‌ها را با یک عملیات واحد تغییر می‌دهد، که به عنوان دنباله‌ای از عملیات و اندازه‌گیری‌های دروازه (یعنی الگوریتم) بیان می‌شود و ممکن است توسط یک مدار کوانتومی نشان داده شود [22]. یادگیری ماشین کوانتومی نیروی محرکه GBQC است.

سیستم محاسباتی کوانتومی
همانطور که در شکل 3 نشان داده شده است، دو نوع کامپیوتر کوانتومی وجود دارد: کامپیوترهای کوانتومی آنالوگ و دیجیتال. هر دوی این نوع کامپیوترها شباهت هایی دارند که نسبت به کامپیوترهای سنتی “سخت افزار” و “نرم افزار” است. این در شکل 4 نشان داده شده است:

شکل 3. نمودار علم اطلاعات کوانتومی (QIS). QIS به سه دسته تقسیم می شود: ارتباطات کوانتومی، محاسبات کوانتومی، و سنجش کوانتومی (و مترولوژی). ارتباطات کوانتومی و سنجش کوانتومی به ترتیب کاربردهایی مانند شبکه کوانتومی و طراحی سیستم کوانتومی دارند. حوزه QC به محاسبات آنالوگ و دیجیتال تقسیم می شود. یک کامپیوتر کوانتومی آنالوگ می تواند هر یک از سه شکل باشد: محاسبات کوانتومی آدیاباتیک، آنیل کوانتومی یا شبیه سازی کوانتومی. یک کامپیوتر کوانتومی دیجیتال به شکل محاسبات کوانتومی مبتنی بر گیت وجود دارد که از ویژگی های QML برای عملیات خود استفاده می کند.

شکل 4. نمودار سیستم محاسبات کوانتومی (QCS). QCS یک سیستم کامل است که دارای دو بخش عملیاتی است: سخت افزار و نرم افزار. سخت افزار یک QCS اساساً یک کامپیوتر کوانتومی است (با تغییراتی مانند کیوبیت های یونی به دام افتاده و کیوبیت های ابررسانا و غیره). به طور کلی، یک کامپیوتر کوانتومی شامل اجزای ضروری است که عبارتند از صفحات داده کوانتومی، سطوح کنترل و اندازه گیری، صفحه پردازنده کنترل و یک پردازنده میزبان. به طور مشابه، نرم افزار یک QCS از ابزارهای ضروری تشکیل شده است که عبارتند از ابزارهای شبیه سازی و اشکال زدایی، ابزارهای بهینه سازی و ابزارهای تأیید.

برای دانلود پروژه نمونه روش یادگیری ماشین برای آماده سازی حالت و سنتز دروازه در کامپیوترهای کوانتومی فوتونیک به همراه شبیه سازی، اینجا کلیک کنید.

منابع

1. Schuld, M.; Petruccione, F. Supervised Learning with Quantum Computers; Springer: Berlin/Heidelberg, Germany, 2018; Volume 17. [Google Scholar]
2. Montanaro, A. Quantum algorithms: An overview. Npj Quantum Inf. 2016, 2, 15023. [Google Scholar] [CrossRef]
3. Jordan, S. The Quantum Algorithm Zoo. 2021. Available online: http://math.nist.gov/quantum/zoo/ (accessed on 1 November 2021).
4. Marais, A.; Adams, B.; Ringsmuth, A.K.; Ferretti, M.; Gruber, J.M.; Hendrikx, R.; Schuld, M.; Smith, S.L.; Sinayskiy, I.; Krüger, T.P.; et al. The future of quantum biology. J. R. Soc. Interface 2018, 15, 20180640. [Google Scholar] [CrossRef][Green Version]
5. Biamonte, J.; Faccin, M.; De Domenico, M. Complex networks from classical to quantum. Commun. Phys. 2019, 2, 53. [Google Scholar] [CrossRef][Green Version]
6. McMahon, D. Quantum Mechanics Demystified; McGraw-Hill Education: New York, NY, USA, 2013. [Google Scholar]
7. Samuel, A.L. Some studies in machine learning using the game of checkers. IBM J. Res. Dev. 1959, 3, 210–229. [Google Scholar] [CrossRef]
8. Alzubi, J.; Nayyar, A.; Kumar, A. Machine Learning from Theory to Algorithms: An Overview. J. Phys. Conf. Ser. 2018, 1142, 012012. [Google Scholar] [CrossRef]
9. Rivas, P. Deep Learning for Beginners: A Beginner’s Guide to Getting Up and Running with Deep Learning from Scratch Using Python; Packt Publishing Ltd.: Birmingham, UK, 2020. [Google Scholar]
10. Mehta, P.; Bukov, M.; Wang, C.H.; Day, A.G.; Richardson, C.; Fisher, C.K.; Schwab, D.J. A high-bias, low-variance introduction to machine learning for physicists. Phys. Rep. 2019, 810, 1–124. [Google Scholar] [CrossRef]
11. Mahesh, B. Machine Learning Algorithms—A Review. Int. J. Sci. Res. (IJSR) 2020, 9, 381–386. [Google Scholar]
12. Bonaccorso, G. Machine Learning Algorithms; Packt Publishing Ltd.: Birmingham, UK, 2017. [Google Scholar]
13. Wittek, P. Quantum Machine Learning: What Quantum Computing Means to Data Mining; Academic Press: Cambridge, MA, USA, 2014. [Google Scholar]
14. Nielsen, M.A.; Chuang, I.L. Quantum computation and quantum information. Phys. Today 2001, 54, 60. [Google Scholar]
15. McMahon, D. Quantum Computing Explained; John Wiley & Sons: Hoboken, NJ, USA, 2007. [Google Scholar]
16. Mermin, N.D. Quantum Computer Science: An Introduction; Cambridge University Press: Cambridge, UK, 2007. [Google Scholar]
17. Kaye, P.; Laflamme, R.; Mosca, M. An Introduction to Quantum Computing; Oxford University Press on Demand: Oxford, UK, 2007. [Google Scholar]
18. Grumbling, E.; Horowitz, M. Adiabatic Quantum Computing and Quantum Annealing. In Quantum Computing: Progress and Prospects; The National Academies Press: Washington DC, USA, 2019. [Google Scholar] [CrossRef]
19. Biamonte, J.; Wittek, P.; Pancotti, N.; Rebentrost, P.; Wiebe, N.; Lloyd, S. Quantum machine learning. Nature 2017, 549, 195–202. [Google Scholar] [CrossRef]
20. Grant, E.K.; Humble, T.S. Adiabatic Quantum Computing and Quantum Annealing; Oxford University Press: Oxford, UK, 2020. [Google Scholar] [CrossRef]
21. Georgescu, I.M.; Ashhab, S.; Nori, F. Quantum simulation. Rev. Mod. Phys. 2014, 86, 153. [Google Scholar] [CrossRef][Green Version]
22. Michielsen, K.; Nocon, M.; Willsch, D.; Jin, F.; Lippert, T.; De Raedt, H. Benchmarking gate-based quantum computers. Comput. Phys. Commun. 2017, 220, 44–55. [Google Scholar] [CrossRef]

پروژه مشابه دارید؟

برای ثبت سفارش در سیمیا می توانید از طریق اپلیکیشن سیمیا، یا فرم ثبت سفارش در سایت اقدام کرده و یا از طریق ایمیل، واتساپ، تلگرام و اینستاگرام اقدام نمایید.

اپلیکیشن سیمیا را از بازار و مایکت دانلود کنید.

سریع ترین راه پاسخگویی سیمیا، واتساپ و سروش می باشد. لینک واتساپ، اینستاگرام و تلگرام در پایین سایت وجود دارد.

 09392265610

نشانی ایمیل سیمیا simiya_ht@yahoo.com می باشد.

از برقراری تماس برای هماهنگی پروژه خودداری کنید، حجم بالای سفارشات به ما اجازه نمی دهد تا از طریق تلفن پاسخگوی شما عزیزان باشیم، حتما درخواست خود را به صورت مکتوب و از طریق یکی از راه های ذکر شده فوق ارسال نمایید، درخواست خود را به طور کامل و با تمام فایل ها و توضیحات لازم ارسال نمایید تا مدت زمان بررسی آن به حداقل برسد. پس از تعیین کارشناس، در اسرع وقت به شما پاسخ می دهیم.