Contextul calculului cuantic

În videoclipul următor, Olivia Lanes te ghidează prin conținutul acestei lecții. Alternativ, poți deschide videoclipul de pe YouTube pentru această lecție într-o fereastră separată.

Ai început acest curs aruncându-te direct în rularea primului tău circuit cuantic și ai aflat cum legile mecanicii cuantice sunt folosite pentru a crea stări cuantice, porți și circuite. Acum, hai să facem un pas înapoi. În această secțiune, vom explora calculul cuantic prin cadre diferite care te vor ajuta să navighezi cu un ochi mai critic conversațiile, titlurile din presă și articolele despre calculul cuantic.

Nu există nicio îndoială că există mult entuziasm în jurul calculului cuantic și al posibilităților pe care le-ar putea oferi această tehnologie. S-ar putea chiar merge atât de departe încât să numim asta „hype". Cum se întâmplă mereu când există entuziasm în jurul unei noi descoperiri, poate fi greu să separi realitatea de ficțiune. Ținând cont de asta, cel mai bine este să începem cu ce nu este calculul cuantic:

• Calculul cuantic nu va înlocui calculatoarele tradiționale, clasice — și nici nu va ajunge în vreun „telefon cuantic"
• Nu este o modalitate de a „verifica simultan toate răspunsurile posibile în același timp"
• Nu este universal mai bun decât calculatoarele clasice pentru toate sarcinile
• Nu este în război cu AI
• Nu este inutil până când nu atingem toleranța la erori sau corectarea erorilor
• Nu este magie

Sperăm că asta nu te-a îndepărtat complet de acest curs sau nu te-a făcut să crezi că nu există nimic de valoare aici. Dimpotrivă! Calculul cuantic are potențialul de a fi extrem de puternic — dar numai pentru anumite aplicații. Din fericire, acele aplicații includ domenii de cercetare activă care ar putea transforma fundamental modul în care abordăm probleme importante, cum ar fi simulările chimice, explorarea materialelor și analiza seturilor mari de date. Înainte de a explora aceste domenii de aplicare, să aprofundăm unele dintre aceste concepții greșite.

Scalare

O altă concepție greșită frecventă despre calculatoarele cuantice este că cu cât au mai mulți qubiți, cu atât sunt mai puternice. Deși aceasta nu este neapărat greșită, nu prezintă imaginea completă. Deși scalarea în cantitate este cu siguranță un element crucial, nu este mai importantă decât calitatea qubiților înșiși. Calitatea este măsurată în mai multe moduri, unul dintre cele mai importante fiind timpii de coerență și defazare, sau $T_1$ și, respectiv, $T_2$. Aceștia sunt indicatori ai cât timp poate rămâne stabilă informația cuantică dintr-un qubit. Când primii qubiți supraconductori au fost demonstrați, acest număr era de ordinul nanosecundelor (Nakamura et al., 1999); acum, producem în mod regulat qubiți cu timpi de coerență stabili de sute de microsecunde.

O altă componentă critică la care ne uităm când vedem cum se îmbunătățesc calculatoarele cuantice este viteza. Pentru a măsura viteza, folosim ceva numit Circuit Layer Operations per Second (CLOPS). CLOPS încorporează atât timpul de rulare a unui circuit, cât și calculul clasic în timp real și aproape în timp real, permițându-i să servească drept o singură măsură holistică a vitezei.

Toate cele trei elemente sunt necesare împreună pentru a continua construirea drumului spre un calculator cuantic universal, tolerant la erori. De aceea, când te uiți la foaia de parcurs IBM Quantum®, vei observa că unele salturi între procesoare nu au creșteri mari ale numărului de qubiți. De exemplu, observă creșterea modestă a qubiților între Heron și Nighthawk, deoarece acesta nu este adevăratul focus al acelei îmbunătățiri. În schimb, Nighthawk implementează o nouă topologie de conectivitate care va permite coduri diferite de corectare a erorilor.

Corectarea erorilor față de atenuarea erorilor

Corectarea erorilor rămâne unul dintre cele mai mari obiective pe termen lung pentru cercetătorii în calculul cuantic. Se bazează pe premisa că qubiții vor rămâne mereu oarecum zgomotoși și predispuși la erori, și dacă vrem să rulăm algoritmi la scară largă, cum ar fi cel al lui Shor, de exemplu, vom avea nevoie de capacitatea de a detecta și corecta aceste erori în timp real. Există multe tipuri de coduri de corectare a erorilor, și te referim la alte cursuri (cum ar fi cursul Foundations of quantum error correction) dacă vrei să te aprofundezi mai mult în ele.

Atenuarea erorilor, pe de altă parte, este deja folosită în mod regulat pentru a îmbunătăți rezultatele calculului cuantic. Ideea din spatele atenuării erorilor este că acceptăm că vor apărea erori și încercăm să le prezicem comportamentul pentru a reduce efectele acelor erori. Există multe tehnici de atenuare a erorilor; multe necesită mai multe rulări pe un calculator cuantic plus o anumită post-procesare clasică. Este puțin probabil ca corectarea erorilor să înlocuiască complet atenuarea erorilor. În schimb, prezicem că ambele vor fi folosite împreună pentru a returna cele mai bune rezultate posibile de la calculatoarele cuantice.

Componentele calculului cuantic

Mai devreme, am menționat că este o concepție greșită frecventă că calculatoarele cuantice vor înlocui calculatoarele clasice. Acesta nu este deloc cazul; calculatoarele cuantice și calculatoarele clasice nu sunt de fapt în război pentru a se înlocui reciproc. De fapt, așa cum am menționat în secțiunea anterioară, calculatoarele cuantice au nevoie de calculatoarele clasice pentru a funcționa, din diverse motive. Când vorbim de „calculatoare" în general, de obicei presupunem că includ toate componentele precum un procesor, RAM, memorie și așa mai departe. Dimpotrivă, un calculator cuantic nu are toate aceste componente. Adesea, când oamenii vorbesc despre un calculator cuantic, se referă de fapt la QPU, sau Quantum Processing Unit (Unitate de Procesare Cuantică), care preia rolul de procesare de la procesor. QPU-ul în sine nu este un calculator de uz general. Nu rulează un sistem de operare, nu gestionează memoria și nici nu se ocupă de interfețele utilizatorului. Singurul său rol este de a manipula qubiții conform unor operații cuantice controlate cu grijă, înainte de a returna rezultatele măsurătorilor unui sistem clasic.

În practică, calculatoarele cuantice de astăzi sunt cel mai bine înțelese ca sisteme hibride. Un calculator clasic orchestrează fluxul de lucru — pregătind intrările, compilând circuitele cuantice, programând joburi și post-procesând rezultatele — în timp ce QPU-ul execută doar porțiunea cuantică a calculului. Chiar și pe măsură ce hardware-ul cuantic avansează, această diviziune a muncii este de așteptat să persiste, progresul concentrându-se pe integrarea mai strânsă și comunicarea mai rapidă între sistemele clasice și QPU-uri, mai degrabă decât pe eliminarea completă a componentelor clasice.

Domenii probabile de aplicare ale calculului cuantic

Sortăm pe larg domeniile în care credem că calculul cuantic va fi cel mai impactant în patru categorii: optimizare, simularea Hamiltonianului, Ecuații cu Derivate Parțiale (EDP) și machine learning.

Simularea Hamiltonianului

Acest subiect se referă la simularea proceselor mecanice cuantice găsite în natură. La nivel de bază, implică două sarcini largi: găsirea energiei stării fundamentale a unui sistem descris de Hamiltonianul său, care codifică energia totală și interacțiunile din sistem, și simularea modului în care acel sistem evoluează în timp (dinamica cuantică).

Acesta este unul dintre cele mai naturale domenii de aplicare pentru calculatoarele cuantice: sistemele cuantice sunt notoric dificil de simulat pe calculatoarele clasice, deoarece dimensiunea spațiului stărilor cuantice crește exponențial cu numărul de particule. Calculatoarele cuantice, în schimb, reprezintă stările cuantice direct, făcându-le potrivite — cel puțin în principiu — pentru aceste tipuri de probleme.

Domeniile cheie de aplicare includ:

• Chimie și știința materialelor: prezicerea structurii moleculare, a căilor de reacție, a energiilor de legătură și a proprietăților materialelor
• Fizica materiei condensate: studiul sistemelor puternic corelate, al tranzițiilor de fază și al stărilor cuantice exotice
• Fizica de înaltă energie și nucleară: modelarea interacțiunilor particulelor

Pe termen lung, progresele în simularea Hamiltonianului ar putea permite:

• Descoperirea mai precisă a medicamentelor și proiectarea catalizatorilor
• Descoperirea de noi materiale pentru baterii
• Perspectivă mai profundă asupra fenomenelor fizice fundamentale

Mulți dintre cei mai studiați algoritmi cuantici, cum ar fi SQD, au fost dezvoltați special pentru simularea Hamiltonianului. Ca urmare, această categorie este adesea privită ca unul dintre cele mai convingătoare din punct de vedere științific și mai bine fundamentate teoretic cazuri de utilizare pentru calculul cuantic.

Optimizare

Problemele de optimizare implică găsirea celei mai bune soluții dintr-un set mare de soluții posibile, sub constrângeri. Aceste probleme apar în știință, inginerie și industrie și devin adesea computațional insolubile pe măsură ce dimensiunea problemei crește.

Exemplele includ:

• Planificare și rutare (de exemplu, lanțuri de aprovizionare, flux de trafic, planificarea curselor aeriene)
• Optimizarea portofoliului și gestionarea riscurilor (finanțe)
• Alocarea resurselor și logistica
• Probleme combinatorii cum ar fi partiționarea grafurilor și max-cut

Multe probleme de optimizare sunt clasificate ca NP-dificile în teoria complexității, ceea ce înseamnă că algoritmii clasici se bazează de obicei pe euristici sau aproximări pentru instanțe mari. Deoarece qubiții se comportă diferit față de biții clasici, putem modela soluțiile diferit. Aceasta ar putea permite explorarea spațiilor de soluții mai rapid sau mai complet decât algoritmii clasici.

Abordările cuantice comune includ:

• Algoritmi variaționali, cum ar fi Quantum Approximate Optimization Algorithm (QAOA)
• Fluxuri de lucru hibride clasic–cuantic, unde rezolvitorii clasici ghidează și rafinează subrutinele cuantice

Deși este încă o întrebare deschisă când — sau pentru ce probleme — optimizarea cuantică va oferi un avantaj clar față de metodele clasice de ultimă oră, optimizarea rămâne un domeniu major de interes datorită ubicuității sale și mapării naturale dintre obiectivele de optimizare și Hamiltonieni cuantici.

Ecuații cu Derivate Parțiale (EDP)

Ecuațiile cu derivate parțiale descriu cum se schimbă cantitățile fizice în spațiu și timp. Ele stau la baza unora dintre cele mai importante modele din știință și inginerie, inclusiv dinamica fluidelor, electromagnetismul, transferul de căldură și modelarea financiară.

Exemplele includ:

• Ecuațiile Navier–Stokes pentru curgerea fluidelor
• Ecuațiile Schrödinger și ale undelor
• Ecuațiile Maxwell
• Black–Scholes și EDP-urile financiare conexe

Rezolvarea numerică a EDP-urilor pe calculatoarele clasice necesită adesea grile spațiale fine și evoluții temporale lungi, ducând la costuri computaționale și utilizare a memoriei ridicate.

Algoritmii cuantici pentru EDP-uri se bazează de obicei pe următoarele:

• Maparea EDP-urilor la sisteme mari de ecuații liniare
• Subrutine de algebră liniară cuantică, cum ar fi algoritmul HHL și variantele sale
• Fluxuri de lucru hibride unde pre-procesarea și post-procesarea clasică înconjoară nucleele cuantice

În teorie, anumite abordări cuantice pot oferi accelerări exponențiale sau polinomiale în condiții specifice (cum ar fi pregătirea și citirea eficientă a stărilor). În practică, rezolvarea EDP-urilor este de așteptat să fie o aplicație pe termen mai lung, strâns legată de progresele în calculul cuantic tolerant la erori și integrarea cuantic–clasică cu sistemele de calcul de înaltă performanță (HPC).

Machine learning

Quantum machine learning (QML) explorează cum ar putea calculatoarele cuantice să îmbunătățească sau să accelereze aspecte ale machine learning-ului și analizei datelor. Aceasta include ambele aspecte de mai jos:

• Folosirea calculatoarelor cuantice pentru a explora probleme de clasificare cu comportament diferit față de algoritmii clasici
• Dezvoltarea de noi modele care sunt inerent cuantice ca natură

Aplicațiile propuse includ următoarele:

• Clasificare și grupare
• Metode de kernel și hărți de caracteristici
• Subrutine de optimizare în buclele de antrenament

Mulți algoritmi QML utilizează următoarele:

• Circuite cuantice parametrizate ca modele antrenabile
• Tehnici de optimizare variaționali
• Kerneluri cuantice care operează implicit în spații de caracteristici de înaltă dimensiune

Cu toate acestea, machine learning-ul este un domeniu deosebit de provocator pentru avantajul cuantic. Machine learning-ul clasic este extrem de matur, iar modelele cuantice trebuie să facă față unor probleme cum ar fi încărcarea datelor, zgomotul și scalarea.

Ca urmare, cercetarea actuală se concentrează pe aceste domenii:

• Identificarea regimurilor specifice în care modelele cuantice ar putea depăși pe cele clasice
• Explorarea QML ca parte a fluxurilor de lucru hibride, mai degrabă decât ca înlocuitori independenți
• Înțelegerea expresivității, antrenabilității și generalizării modelelor cuantice

Quantum machine learning rămâne un domeniu activ de cercetare, cu impact potențial pe termen lung — dar și cu întrebări deschise semnificative despre când și unde va apărea avantajul practic.

Concluzie

Această lecție a clarificat că avantajul cuantic nu înseamnă înlocuirea calculatoarelor. Înseamnă extinderea a ceea ce este calculabil. Este unul dintre cele mai ambițioase proiecte de inginerie pe care oamenii le-au încercat vreodată. Și ca toate proiectele ambițioase, este dezordonat, lent și destul de uimitor.

Dacă vrei să afli mai mult despre cum funcționează acești algoritmi în practică, lecția următoare îți va arăta unde să mergi de aici, în funcție de interesele și obiectivele tale profesionale.