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 comună este că, cu cât un calculator cuantic are mai mulți qubiți, cu atât trebuie să fie mai puternic. Deși scala computațională este importantă, numărul de qubiți singur nu oferă o imagine completă a performanței computației cuantice. Hardware-ul cuantic modern este de obicei evaluat pe trei dimensiuni: scală, calitate și viteză.

Scala este măsurată prin numărul de qubiți programabili disponibili utilizatorilor. Aceștia sunt qubiții care pot fi controlați direct, manipulați, măsurați și încorporați în algoritmi cuantici. Creșterea numărului de qubiți programabili extinde dimensiunea problemelor care pot fi explorate pe hardware cuantic.

Calitatea este măsurată prin operații de qubit (QuOps), care descriu câte dintre cele mai solicitante operații cuantice din punct de vedere computațional poate executa în mod fiabil un sistem înainte ca erorile acumulate să copleșească calculul. Îmbunătățirile timpilor de coerență, fidelităților porților, procedurilor de calibrare și arhitecturii contribuie toate la o calitate computațională mai mare. Timpii de coerență și defazare (denumiți în mod obișnuit $T_1$ și $T_2$) rămân indicatori importanți ai performanței qubitului.

Viteza este măsurată prin numărul maxim de circuite pe secundă, cunoscut și ca debit de circuite. Această metrică surprinde cât de mult calcul util poate efectua un sistem cuantic în timp și reflectă atât procesarea cuantică, cât și pe cea clasică de sprijin.

De asemenea, poți întâlni metrici suplimentare de referință precum CLOPS (Circuit Layer Operations Per Second) și EPLG (Errors Per Layered Gate). CLOPS măsoară viteza de execuție a unei sarcini de lucru standardizate de referință, în timp ce EPLG oferă informații despre ratele de eroare la nivelul porților și fidelitatea procesorului. Aceste metrici rămân valoroase pentru înțelegerea unor caracteristici specifice ale hardware-ului și ale sarcinilor de lucru, dar qubiții programabili, operațiile de qubit și numărul maxim de circuite pe secundă oferă un cadru mai larg pentru compararea sistemelor.

Progresul continuu pe toate cele trei dimensiuni ale performanței, scală, calitate și viteză, este necesar pentru a construi 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 programabili. De exemplu, observă creșterea modestă a qubiților programabili 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).

Învățare automată

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.