کامپیوترهای کوانتومی با بهره‌گیری از محاسبات کوانتومی مسائلی را حل می‌کنند که حل آن‌ها برای کامپیوترهای معمولی آسان نیست. به این ترتیب این فناوری مسیر را برای استفاده از راه‌حل‌هایی سریع‌تر، هوشمندانه‌تر و کارآمدتر هموار کرده و موجب تحول صنایع مختلفی خواهد شد، از تسریع روند کشف داروها گرفته تا بهینه‌سازی سامانه‌های حمل و نقل در سرتاسر جهان. کارشناسان پیش‌بینی می‌کنند که محاسبات کوانتومی تا سال ۲۰۳۵ می‌تواند تا ۱٫۳ تریلیون دلار ارزش اقتصادی در سطح جهان ایجاد کند. در این مطلب از مجله فرادرس به زبانی ساده توضیح می‌دهیم کاربرد کامپیوتر کوانتومی چیست و چه صنایعی را متحول می‌کند.

کاربرد کامپیوتر کوانتومی چیست؟

پنج مورد از مهم‌ترین انواع کاربرد کامپیوتر کوانتومی در صنایع مختلف عبارت‌اند از:

• رمزنگاری و امنیت سایبری: کاربرد در صنایع فناوری اطلاعات و ارتباطات
• شبیه‌سازی مولکولی و مواد جدید: کاربرد در صنایع داروسازی و شیمی مواد
• بهینه‌سازی مسائل پیچیده: کاربرد در صنایع لجستیک، حمل‌ و نقل و زنجیره تامین
• مدل‌سازی مالی و مدیریت ریسک: کاربرد در صنایع بانکداری و مالی
• هوش مصنوعی و یادگیری ماشین کوانتومی: کاربرد در صنایع فناوری اطلاعات، اتوماسیون و رباتیک

یکی از اولین کاربردهای کامپیوتر کوانتومی شبیه‌سازی رفتار ماده در سطح مولکولی است. در حال حاضر بسیاری از شرکت‌ها در حال آزمایش این فناوری هستند تا بتوانند باتری‌هایی سبک‌تر و قدرتمندتر برای خودروهای برقی بسازند. برای مثال، شرکت‌های خودروسازی مانند فولکس‌واگن و دایملر از کامپیوترهای کوانتومی برای شبیه‌سازی ترکیب شیمیایی باتری‌های خودروهای برقی استفاده می‌کنند تا راه‌های جدیدی برای بهبود عملکرد آن‌ها پیدا کنند. همچنین شرکت‌های داروسازی نیز از کامپیوترهای کوانتومی برای تحلیل و مقایسه ترکیباتی استفاده می‌کنند که می‌توانند منجر به تولید داروهای جدید شوند.

کامپیوترهای کوانتومی در حل مسائل بهینه‌سازی نیز بسیار قدرتمند عمل می‌کنند، چون می‌توانند تعداد بسیار زیادی از راه‌حل‌های ممکن را با سرعت فوق‌العاده‌ای بررسی کنند. برای مثال، شرکت ایرباس از کامپیوترهای کوانتومی برای محاسبه مسیرهای صعود و فرود بهینه شده و کم‌مصرف‌تر برای هواپیماها استفاده می‌کند یا فولکس‌واگن که سرویسی ارائه داده است تا مسیرهای بهینه برای اتوبوس‌ها و تاکسی‌ها در شهرها را محاسبه کرده و ترافیک را کاهش دهد.

یکی دیگر از کاربردهای جالب‌توجه این کامپیوترها در حوزه هوش مصنوعی است و پژوهشگران معتقداند کامپیوترهای کوانتومی می‌توانند به پیشرفت‌ بیشتر هوش مصنوعی کمک کنند. البته برای اینکه کامپیوترهای کوانتومی به حداکثر ظرفیت خود برسند، ممکن است زمان زیادی نیاز باشد. به‌علاوه اغلب دانشگاه‌ها و شرکت‌هایی که روی این فناوری کار می‌کنند، با کمبود نیروی متخصص و کمبود تامین‌کننده در زمینه تجهیزات و برخی قطعات کلیدی مواجه‌اند.

یادگیری رایانش کوانتومی با فرادرس

پیش از بررسی انواع کاربرد کامپیوتر کوانتومی، در این بخش چند فیلم آموزشی با موضوع محاسبات کوانتومی را به شما معرفی می‌کنیم. در صورت علاقه به یادگیری از طریق مشاهده فیلم، استفاده از این دوره‌ها می‌تواند برای شما بسیار مفید باشد و در نتیجه، بهتر متوجه خواهید شد که یک کامپیوتر کوانتومی چیست و چگونه کار می‌کند:

رمزنگاری و امنیت سایبری

کاربرد کامپیوتر کوانتومی در صنعت رمزنگاری و امنیت سایبری شامل موضوعاتی مانند شکستن رمزنگاری‌های کلاسیکی (برای مثال RSA) و توسعه روش‌های «رمزنگاری مقاوم در مقابل حملات کوانتومی» (Post-Quantum Cryptography) یا PQC می‌شود. با توجه به اهمیت داده‌ و امنیت آن‌ در صنایع مختلف، رمزنگاری فرآیندی است که از طریق الگوریتم‌های ریاضی پیچیده به ما کمک می‌کند تا داده‌های حساس را ایمن کنیم. از طرفی با پیشرفت کامپیوترهای کوانتومی رمزنگارهای فعلی نیز با تهدیدات کوانتومی جدیدی روبرو خواهند شد و به همین جهت ضرورت توسعه روش‌هایی مانند PQC بیشتر از گذشته احساس می‌شود.

دقت کنید رمزنگاری‌های معمولی مانند «رمزنگاری کلید عمومی» (Public-Key Cryptography) که به نوعی پایه ارتباطات امن در اینترنت از جمله تراکنش‌های HTTPS محسوب می‌شود، اغلب دارای دو مشکل محاسباتی است:

• فاکتورگیری اعداد صحیح بزرگ
• مسئله لگاریتم گسسته

کامپیوترهای کلاسیکی برای حل این مشکلات در مقایسه با فرآیند مشابه به جهت شکستن رمزنگاری‌های مدرن، به زمان بسیار طولانی در حدود هزاران یا میلیون‌ها سال نیاز دارند. این در حالی است که کاربرد کامپیوتر کوانتومی این مسیر را کاملا متحول کرد. استفاده از «الگوریتم شور» (Shor’s Algorithm) که در سال ۱۹۹۴ توسط شخصی به نام «پیتر شور» (Peter Shor) توسعه یافت، نشان داد که یک کامپیوتر کوانتومی بزرگ و پایدار می‌تواند هر دو مشکل فاکتورگیری اعداد صحیح و لگاریتم گسسته را به‌ شکل درست و دقیقی حل کند.

بنابراین می‌توانیم به این نتیجه برسیم که روش‌های رمزنگاری‌های کلاسیکی مانند RSA که پایه اصلی امنیت دیجیتال ما را تشکیل می‌دهند، در برابر حملات کوانتومی آسیب‌پذیر خواهند بود و در حالی که کامپیوترهای کوانتومی هنوز در مراحل ابتدایی توسعه خود قرار دارند، داده‌های حساسی که امروز رمزگذاری می‌شوند ممکن است در آینده توسط مهاجمانی با قابلیت‌های کوانتومی بالاتر رمزگشایی شوند. این مسئله یک تهدید جدی در حوزه امنیت است و ضرورت آماده شدن برای عصر کوانتومی را نشان می‌دهد.

رمزنگاری مقاوم در برابر حملات کوانتومی یا PQC

این نوع رمزنگاری شامل توسعه الگوریتم‌های رمزنگاری جدیدی است که نه‌تنها در برابر حملات کامپیوترهای کلاسیکی، بلکه در مقابل حملات کوانتومی نیز مقاوم هستند. هدف از گسترش PQC این است که الگوریتم‌های مبتنی بر مسائل ریاضی به‌گونه‌ای طراحی شوند که حل آن‌ها حتی برای کامپیوترهای کوانتومی نیز دشوار باشد. دقت کنید این الگوریتم‌ها با اصول کوانتومی کار نمی‌کنند، اما با هدف مقاومت در مقابل حملات آینده کامپیوترهای کوانتومی طراحی شده‌اند.

انواع الگوریتم‌های PQC

چندین رویکرد برای PQC وجود دارد که هر کدام روی مشکلات ریاضیاتی خاصی تمرکز کرده‌اند:

• رمزنگاری مبتنی بر شبکه‌ (Lattice-based Cryptography): دشوار بودن حل مسائل خاص در ساختارهای جبری به نام «شبکه‌» مبنای توسعه این الگوریتم است.
• رمزنگاری مبتنی بر هش (Hash-based Cryptography): این روش از توابع هش برای ایجاد امضای دیجیتال استفاده می‌کند.
• رمزنگاری مبتنی بر کد (Code-based Cryptography): دشواری حل مسائل مرتبط با تئوری کدهای تصحیح خطا اساس این الگوریتم را تشکیل می‌دهد (برای مثال، الگوریتم McEliece).
• رمزنگاری چند جمله‌ای چند متغیره (Multivariate Polynomial Cryptography): امنیت این روش بر مبنای دشوار بودن حل سیستم‌های معادلات چند جمله‌ای با متغیرهای متعدد در یک میدان متناهی است.

در همین راستا موسسه ملی استاندارد و فناوری آمریکا یا به اختصار NIST، پروژه‌ای را برای ارزیابی و استانداردسازی الگوریتم‌های PQC شروع کرده است. این فرآیند شامل چند رقابت و بررسی این الگوریتم‌ها توسط رمزنگاران سراسر جهان است و هدف نهایی آن، انتخاب مجموعه‌ای از الگوریتم‌ها است که به‌عنوان استانداردهای جدید جایگزین رمزنگاری‌های آسیب‌پذیر خواهند شد. انتقال به PQC یک کار پیچیده و گسترده خواهد بود که نیازمند به‌روزرسانی زیرساخت‌های فناوری اطلاعات، پروتکل‌ها و نرم‌افزارها در سراسر جهان است. بنابراین آماده‌ شدن برای عصر کوانتومی یک مفهوم علمی تخیلی نیست، بلکه یک ضرورت عملی است برای تضمین امنیت بلندمدت داده‌ها و ارتباطات و PQC یکی از راه‌حل‌ها در این زمینه است.

شبیه‌ سازی مولکولی و مواد جدید

به عنوان دومین کاربرد کامپیوتر کوانتومی، در این بخش به توضیح نحوه طراحی داروها، کاتالیست‌ها و مواد پیشرفته به کمک شبیه‌سازی دقیق پیوندهای شیمیایی و تعاملات کوانتومی توسط کامپیوترهای کوانتومی می‌پردازیم. برای اینکه با این کاربرد بیشتر آشنا شوید، ابتدا بهتر است به این پرسش پاسخ دهیم که چرا شبیه‌سازی کوانتومی در صنعت داروسازی و طراحی مواد جدید مهم است.

کشف یک داروی جدید یا طراحی کاتالیست‌های پیشرفته نیازمند درک عمیق ساختار الکترونی مولکول‌ها و تعاملاتی است که بین آن‌ها وجود دارد. در همین راستا یک سری روش‌های شبیه‌سازی‌ کلاسیکی مانند «نظریه تابعی چگالی» یا DFT و تقریب «هارتری – فوک» (Hartree-Fock) وجود دارند که در محاسبات مربوط به برهم‌کنش‌های پیچیده الکترون – الکترون یا انتقال‌های غیر آدیاباتیک دقت کافی ندارند. این در حالی است که کامپیوترهای کوانتومی امکان مدل‌‌سازی دقیق حالت‌های کوانتومی سیستم شامل ترکیب برهم‌نهی و درهم‌تنیدگی را فراهم کرده و در نتیجه قادر هستند رفتار مولکول‌ها را با دقتی بسیار بالاتر از روش‌های کلاسیکی شبیه‌سازی کنند.

بنابراین مزیت‌های کاربرد کامپیوتر کوانتومی در این بخش به شکل زیر خلاصه می‌شوند:

• دقت بالا در محاسبات: محاسبه دقیق انرژی‌های لازم برای اتصال دارو به هدف معمولا با استفاده از محاسبات کلاسیکی ممکن نیست، اما به کمک محاسبات کوانتومی می‌توان به نتایج دقیقی در این زمینه دست پیدا کرد.
• کاهش زمان و هزینه: کاربرد شبیه‌سازی‌های کوانتومی قابل اعتماد می‌تواند نیاز به روش‌های آزمایشگاهی گران‌ و زمان‌بر را کاهش داده و موجب کاهش هزینه و سرعت گرفتن فرآیند‌های کشف و بهینه‌سازی ترکیبات شود.

همچنین در کنار مزایای اشاره شده، چالش‌هایی نیز در این مسیر دیده می‌شود که عبارت‌اند از:

• سخت‌افزارهای موجود یعنی تعداد محدود کیوبیت و نویز بالا، همچنان امکان شبیه‌سازی مولکول‌های بزرگ را فراهم نکرده است.
• الگوریتم‌های فعلی مانند VQE نیازمند تنظیمات دقیق برای بهینه‌سازی و شمارش اندازه‌گیری‌های بالا هستند.

گر علاقه‌مند هستید با نرم‌افزارهای این حوزه بیشتر آشنا شوید، پیشنهاد می‌کنیم مطلب «آموزش نرم افزار VMD برای شبیه سازی دینامیک مولکولی – به زبان ساده» از مجله فرادرس را مطالعه کنید.

الگوریتم‌ های شبیه ‌سازی مولکولی کوانتومی

در بخش قبل راجع‌به مزیت کاربرد کامپیوتر کوانتومی در مقایسه با روش‌های کلاسیکی به منظور مطالعه و درک رفتار مولکول‌ها صحبت کردیم. در این بخش دو الگوریتم اصلی در فرآیند شبیه‌سازی مولکولی کوانتومی را معرفی می‌کنیم که عبارت‌اند از:

• الگوریتم VQE
• شبیه‌سازی هامیلتونی

الگوریتم VQE یا Variational Quantum Eigensolver روی سخت‌افزار NISQ اجرا می‌شود و برای محاسبه انرژی حالت پایه مولکول‌های کوچک کاربرد دارد. این در حالی است که شبیه‌سازی هامیلتونی یا Hamiltonian Simulation شامل الگوریتم‌های پیچیده‌ای است و می‌تواند انرژی حالت‌های کوانتومی را با مقیاس‌بندی بهتری در مقایسه با رو‌ش‌های کلاسیکی محاسبه کند. اما باید به این نکته توجه داشت که کاربرد این روش دارای هزینه بیشتر و نیازمند داشتن سخت‌افزاری قوی است.

کاربرد در داروسازی

در رشته داروسازی لازم است نکات بسیاری درباره سیستم‌های زیستی پیچیده بدن انسان آموخته شود و کامپیوترهای کوانتومی می‌توانند در درک عمیق‌تر این سیستم‌ها (برای مثال، سامانه‌هایی که به طراحی دارو و سوخت‌ و ساز بدن مربوط می‌شود) کمک کنند، به این صورت که محاسبه می‌کنند یک ترکیب دارویی چگونه با هدف خود و یا با سایر مولکول‌های زیستی واکنش می‌دهد.

برای نمونه در همکاری با یک شرکت داروسازی نشان داده‌ شده است که کامپیوترهای کوانتومی قادر خواهند بود ساختار کلیدی آنزیم Cytochrome P450 (آنزیمی در بدن انسان که داروها را در خون تجزیه می‌کند) را با دقتی بالاتر و در زمانی کمتر نسبت به کامپیوترهای معمولی شبیه‌سازی کنند. بنابراین کامپیوترهای کوانتومی با توانایی شبیه‌سازی مولکول‌های بزرگ‌تر و پیچیده‌تر می‌توانند تحولی بنیادین در زمینه داروسازی ایجاد کند.

همچنین توسعه فرمول‌های مولکولی به داروهایی برای درمان یا معالجه بیماری‌ها، یکی دیگر از مهم‌ترین اهداف صنعت داروسازی است. این فرآیند آنقدر مهم است که شرکت‌های داروسازی حدود ۱۵ درصد از فروش خود را صرف تحقیق و توسعه در این زمینه می‌کنند، آماری که بیش از ۲۰ درصد از کل هزینه‌های تحقیق و توسعه در تمام صنایع اقتصاد جهانی را شامل می‌شود. علت چنین سرمایه‌گذاری رسیدن به یک نتیجه نوآورانه است. شرکت‌های داروسازی در مسیر بهبود روند تحقیق و توسعه خود همواره جزو پیشگامان بکارگیری ابزارهای محاسباتی معروف در علم شیمی و فیزیک مانند «شبیه‌سازی‌ دینامیک مولکولی» (MD) و نظریه تابع چگالی (DFT) بوده‌اند، روشی که به آن «کشف داروی مبتنی بر کامپیوتر» یا CADD گفته می‌شود.

می‌دانیم که مولکول‌ها یک‌ سری سیستم‌های کوانتومی‌اند، به این معنا که رفتار آن‌ها بر پایه قوانین فیزیک کوانتوم مطالعه می‌شود. پس انتظار می‌رود کامپیوترهای کوانتومی نیز بتوانند ساختار، خواص، رفتار و واکنش‌پذیری این مولکول‌ها را به‌صورت دقیق‌تر و کارآمدتری در مقایسه با کامپیوترهای معمولی پیش‌بینی و شبیه‌سازی کنند. این روش‌های دقیق را در کامپیوترهای معمولی عملا نمی‌توان اجرا کرد و روش‌های تقریبی نیز عموما دقت کافی ندارند، به خصوص در مواردی که هدف بررسی سطوح اتمی است. از نظر تئوری نیز نشان داده شده است که کامپیوترهای کوانتومی این ظرفیت را دارند که یک مسئله در این حوزه را به‌طور کامل و با در نظر گرفتن واکنش‌های اتمی شبیه‌سازی کنند.

به‌علاوه با پیشرفت توان محاسباتی این کامپیوترها این ظرفیت بیشتر هم خواهد شد. بنابراین استفاده از CADD مبتنی بر کامپیوترهای کوانتومی می‌تواند دامنه مکانیسم‌های زیستی قابل‌بررسی با این روش را گسترش دهد، زمان غربال‌گری داروها را کاهش داده و همچنین نیاز به تکرار چرخه‌های توسعه تجربی را نیز کمتر کند. به این ترتیب برخی از بن‌بست‌های تحقیقاتی که زمان و هزینه زیادی را به مرحله کشف دارو تحمیل می‌کنند، حذف می‌شوند.

خط لوله کوانتومی ترکیبی در داروسازی

یکی از مهم‌ترین کاربردهای محاسبات کوانتومی در پژوهش‌های حوزه داروسازی تا به این لحظه، طراحی خط لوله کوانتومی ترکیبی بوده است. در مطالعه‌ای که در نشریه Nature Scientific Reports منتشر شد، پژوهشگران موفق شدند یک خط لوله هیبریدی کوانتومی – کلاسیکی (یعنی ترکیب کوانتوم برای بخش‌های نیازمند ‌دقت بالا و کلاسیک برای سایر قسمت‌ها) طراحی کنند. هدف از این طراحی حل مسائلی مانند تخمین تابع انرژی آزاد گیبس برای فعالیت پرودراگ‌ها و شبیه‌سازی دقیق پیوندهای کووالانسی است.

طراحی مواد با شبیه‌ سازی دینامیک کوانتومی

در مقالات منتشر شده در سال‌های اخیر، تاثیر محاسبات کوانتومی بر پیشرفت علم شیمی نیز بررسی شده است، صنعتی که مانند داروسازی بر پایه توسعه و تولید مولکول‌ها شکل می‌گیرد. پس یکی دیگر از نخستین صنایعی که از این فناوری بهره‌مند می‌شود، صنعت شیمی است. اما در علم شیمی، شبیه‌سازی‌های استاتیکی مانند محاسبه انرژی حالت پایه‌ تنها بخشی از پیش‌نیازها در فرآیند طراحی مواد است و لازم است در کنار این محاسبات، مواردی مانند محاسبات و شبیه‌سازی فرآیندهای مربوط به انتقال انرژی نیز انجام شود. برای رسیدن به این هدف می‌توان از روش‌هایی مانند شبیه‌سازی دینامیک نوسانی یا vibronic dynamics استفاده کرد. این روش با کاربرد یک الگوریتم جدید قادر است تنها با تعداد کمی کیوبیت و گیت، این نوع دینامیک را شبیه‌سازی کند.

شبیه‌ سازی تعامل ژن‌ها

محاسبات کوانتومی به سامانه‌های فناوری اطلاعات در حوزه سلامت و علوم زیستی نیز وارد شده و ابزارها و رویکردهای نوینی را برای تحلیل سریع‌تر داده‌های زیاد فراهم کرده است. در دانشگاه تگزاس A & M پژوهشگران از محاسبات کوانتومی برای پیش‌بینی بیان ژن استفاده می‌کنند، فرآیندی که در آن اطلاعات رمزگذاری‌شده در ژن‌ها منجر به تولید پروتئین‌ها و برخی مولکول‌های خاص می‌شود. این فناوری می‌تواند کلیدی برای درمان‌های هدفمند و فردمحور در بیماری‌های ژنتیکی و سرطان باشد. طبق نتایج پژوهشی که در نشریه Npj Quantum Information منتشر شده است، بکارگیری محاسبات کوانتومی در زیست‌شناسی می‌تواند درک بهتری از شبکه‌های تنظیمی ژن در سلول‌های منفرد فراهم کند، چرا که نسبت به روش‌های سنتی روابط میان ژن‌ها را موثرتر و دقیق‌تر توصیف می‌کند.

بهینه ‌سازی مسائل پیچیده

در معرفی دومین کاربرد کامپیوتر کوانتومی می‌آموزیم یافتن بهترین مسیرها، زمان‌بندی تولید یا تخصیص منابع در مقیاس‌های بسیار بزرگ و پیچیده چگونه با استفاده از کامپیوترهای کوانتومی میسر می‌شود. در صنعت لجستیک و زنجیره تامین اغلب با مشکلاتی مانند مسیر‌یابی وسایل نقلیه، زمان‌بندی‌ها، تخصیص منابع، مدیریت موجودی و پیش‌بینی تقاضا روبرو می‌شویم. افزایش تعداد انبارها، محدودیت‌های ظرفیتی، پنجره زمانی تحویل و عدم‌قطعیت در تقاضا موجب می‌شود محاسبات کلاسیکی در این حوزه گران‌ و زمان‌بر شده و در نتیجه، نتایج و خروجی‌های مناسبی ارائه نشود.

در حال حاضر می‌دانیم که نقش بهینه‌سازی در این صنعت تا چه اندازه مهم است. کاربرد کامپیوتر کوانتومی به ما اجازه می‌دهد تا در مسائل برنامه‌ریزی، حمل ‌و نقل و انبارداری به‌طور خاص از الگوریتم‌های کوانتومی بهره ببریم. کامپیوترهای کوانتومی با داشتن دو ویژگی‌ خاص به نام برهم‌نهی و درهم‌تنیدگی می‌توانند فضای گسترده تمام گزینه‌های موجود را به‌صورت موازی جستجو کرده و در نتیجه، در شناسایی راه‌حل‌های نزدیک به راه‌حل بهینه بسیار سریع‌تر از روش‌های کلاسیکی عمل ‌کنند.

از جمله مزایای کاربردی بهینه‌سازی مسائل پیچیده می‌توان به موارد زیر اشاره کرد:

• بررسی همزمان تعداد زیادی گزینه: محاسابات کوانتومی با توانایی بررسی موازی فضای راه‌حل‌های بزرگ، احتمال رسیدن به بهترین جواب را افزایش می‌دهند.
• بهینه‌سازی در کمترین زمان ممکن: در مواجهه با ترافیک، تغییر تقاضا یا شرایط اضطراری، الگوریتم‌های بهینه‌سازی کوانتومی می‌توانند مجددا و به شکلی پیوسته راه‌حل‌هایی مناسب ارائه داده و برنامه‌ها را به‌روزرسانی کنند.
• پیش‌بینی دقیق‌تر تقاضاها: الگوریتم‌های کوانتومی یادگیری ماشین قابلیت تحلیل سریع مجموعه داده‌های پیچیده را دارند و این موضوع کمک می‌کند تا موجودی اضافی یا کمبود کالا بررسی و رفع شود.
• پایداری و اثرات زیست‌محیطی: مسیریابی بهینه موجب کاهش مصرف سوخت، انتشار کمتر گاز‌های گلخانه‌ای و در نتیجه رسیدن به عملیاتی سبزتر در هر صنعتی می‌شود.
• بکارگیری مدل‌های ترکیبی کوانتومی – کلاسیکی: اغلب روش‌های واقعی مورداستفاده به شکل ترکیبی از محاسبات کوانتومی و کلاسیکی هستند.

در کنار این مزایا، چالش‌هایی نیز در این بخش وجود دارد. برای مثال، سخت‌افزار‌های فعلی همچنان خیلی ضعیف هستند و تعداد کیوبیت‌های محدود و مشکلات نویز، مانع حل مسائل بزرگ در این بخش شده است. همچنین مسئله دیگر پیچیدگی الگوریتمی است، به این معنا که پیاده‌سازی ترکیبی نیازمند برخورداری از تخصص بالایی است. به‌علاوه یک مشکل دیگر مسئله ادغام با سیستم‌های موجود است، اتصال به ERP و سیستم‌های لجستیک فعلی نیاز به توسعه تدریجی و اجرای آزمون‌های آزمایشی دارد. بنابراین نیاز به تحقیقات بیشتر در زمینه‌هایی مانند ارائه پیش‌بینی‌های مبتنی بر ML با داده‌های بزرگ همچنان وجود دارد.

در حالت کلی چالش‌های صنعت حمل‌ و نقل و لجستیک شامل بهینه‌سازی موجودی در میان تاسیسات مختلف، برنامه‌ریزی مسیر، کاهش هزینه‌های تولید، تحویل نهایی، زمان‌بندی کارخانه‌ها و کامیون‌ها، الگوریتم‌های قیمت‌گذاری پویا، مدیریت و نگهداری ناوگان، پایداری و لجستیک سبز، سامانه‌های انرژی، کنترل وسایل نقلیه خودران و ناوبری در شهرهای مدرن است. پژوهش‌ها نشان می‌دهد که کامپیوتر کوانتومی در سه حوزه برتری دارد، بهینه‌سازی، یادگیری ماشین و شبیه‌سازی.

الگوریتم‌ های بهینه ‌سازی

اولین بخش از این کاربرد کامپیوتر کوانتومی به معرفی الگوریتم‌های بهینه‌سازی مناسب در این حوزه اختصاص دارد:

• الگوریتم Quantum Annealing
• الگوریتم QAOA

الگوریتم Quantum Annealing مناسب مسائل بهینه‌سازی گسسته مانند QUBO، مسئله فروشنده دوره‌گرد یا مسیریابی خودرو است. ماشین‌هایی مانند D-Wave از این تکنیک استفاده می‌کنند تا راه‌حل تقریبی سریعی ارائه دهند، به‌خصوص برای مسائل بزرگ و پیچیده. در کنار این الگوریتم، Quantum Approximate Optimization Algorithm یا به اختصار QAOA را داریم که روی سخت‌افزارهای بر پایه گیت اجرا شده و برای مسائل بهینه‌سازی با فرموله‌سازی QUBO مناسب است.

این الگوریتم در چارچوب‌های ترکیبی کوانتوم – کلاسیکی و برای زمان‌بندی، مسیریابی پهپادها یا تخصیص وظایف مناسب است. هر دو الگوریتم اغلب در قالب روش‌های ترکیبی اجرا می‌شوند، به این صورت که بخش کوانتومی برای جستجوی راه‌حل اولیه و بخش کلاسیکی با هدف بهینه‌سازی نهایی و کاهش نویزها اجرا می‌شود.

کاربرد در لجستیک

گروه QED-C در سال ۲۰۲۴ گزارشی ارائه کرد که طبق آن چهار زمینه مهم کاربرد کامپیوتر کوانتومی در لجستیک معرفی شده است:

• بهینه‌سازی برنامه‌ریزی نیروی انسانی
• مسیر‌یابی مداوم یا بهینه‌سازی پیوسته مسیرها (Continuous Route Optimization)
• بهینه‌سازی انبارها و عملکرد نگهداری
• پیش‌بینی تقاضا

راهکارهای توسعه فناوری کوانتومی در لجستیک

در بخش قبل یاد گرفتیم که در چهار حوزه مختلف صنعت حمل و نقل و لجستیک، محاسبات مبتنی بر مفاهیم کوانتوم می‌تواند الگوریتم‌هایی سریع‌تر و دقیق‌تر ارائه دهد تا در شرایط اضطرار و تغییرات ناگهانی شبکه پاسخ‌های بهتری داشته باشیم. در این بخش قصد داریم راهکارهایی برای توسعه و پذیرش فناوری‌ محاسبات کوانتومی در صنعت حمل‌ و نقل و لجستیک معرفی کنیم که عبارت‌اند از:

• افزایش بهره‌وری عملیاتی کسب‌ و کارها
• افزایش امنیت و تاب‌آوری در زنجیره تامین
• بررسی پایداری
• بهینه‌سازی ماموریت‌های لجستیکی
• ایجاد نیروی کار متخصص

افزایش بهره‌‌وری عملیاتی کسب‌ و کارها

کاربرد کامپیوتر کوانتومی می‌تواند برای افزایش بهره‌وری عملیاتی از طریق بهبود برنامه‌های مسیر، بارگیری کارآمد، فرآیندهای تولید بهینه و زمان‌بندی بهینه نیروی کار راه‌حل‌های مناسبی فراهم کند. با این وجود پذیرش این فناوری برای شرکت‌های کوچک گران و همراه با ریسک است. برای رفع این مسئله بهتر است شرکت‌های ارائه دهنده خدمات کوانتومی تخفیف‌هایی را برای شرکت‌های کوچک لجستیکی ارائه دهند تا این فناوری را آزمایش کرده و در مقابل، بازخورد و داده‌هایی را نیز دریافت کنند. این همکاری می‌تواند ابزارهایی مانند برنامه‌ریزی کوانتومی مسیر را به وجود آورد.

افزایش امنیت و تاب‌‌آوری در زنجیره تامین

زنجیره‌های تامین چه در داخل کشور و چه در سطح جهانی به امنیت و تاب‌آوری وابسته‌اند. برای نوآوری در این زمینه، دو اقدام می‌تواند موثر باشد:

• شناسایی نقاط ضعف زنجیره تامین و بهبود آن‌ها
• توسعه ابزارهای برنامه‌ریزی برای سناریوهای احتمالی

کامپیوترهای کوانتومی می‌توانند با تحلیل داده‌های بیشتر در کنار متغیرها و محدودیت‌های بیشتر همزمان، این امکان را فراهم کنند تا پیش‌بینی‌ها و برنامه‌های عملیاتی دقیق‌تری برای مقابله با تهدیدات طراحی شوند. ایجاد و توسعه مراکز آزمایشی برای نمونه‌سازی و نمایش فناوری‌های کوانتومی موجب تقویت این قابلیت‌ها خواهد شد.

بررسی پایداری

با توجه به اینکه یکی از نگرانی‌های اصلی شرکت‌ها تغییرات اقلیمی است و می‌دانیم که حمل‌ و نقل به‌عنوان یکی از منابع انتشار گازهای گلخانه‌ای محسوب می‌شود، پس می‌توان گفت یکی از مهم‌ترین انواع کاربرد کامپیوتر کوانتومی در لجستیک، بهینه‌سازی پیوسته مسیرها است تا مصرف سوخت و انتشار این گازها کاهش پیدا کند. به این ترتیب تمام شرکت‌هایی که به دنبال کاهش ردپای کربنی خود هستند، بهتر است محاسبات کوانتومی را در نظر داشته باشند. همچنین علاوه‌بر بر مزایای محیط زیستی، این اقدام می‌تواند به صرفه‌جویی اقتصادی نیز منجر شود.

بهینه‌سازی ماموریت‌های لجستیکی

در این مورد برای مثال سرویس پستی آمریکا پیش‌بینی کرده است که با بهره‌گیری از این کامپیوترها به برنامه‌ریزی بهتری در زمینه تعمیرات، زمان‌بندی کارکنان و طراحی مسیرهای کارآمدتر خواهد رسید.

ایجاد نیروی کار متخصص

با توجه به اینکه کاربرد کامپیوتر کوانتومی در صنایع مختلف از جمله در صنعت حمل و نقل به‌سرعت در حال متحول شدن است، بنابراین نیاز به نیروی کار متخصص در این حوزه بالا است. این نیازمندی شامل کاربران نهایی فناوری مانند طراحان مسیر یا برنامه‌ریزان عملیات نیز می‌شود. این در حالی است که اکثر کارکنان فعلی زنجیره تامین آشنایی چندانی با این حوزه ندارند. بنابراین بکارگیری آموزش‌هایی در این زمینه در برنامه‌های دانشگاهی رشته‌هایی مانند مهندسی صنایع و زنجیره تامین، به افزایش درک و پذیرش کمک می‌کند. همچنین می‌توان با همکاری سازمان‌های فنی و حرفه‌ای، دوره‌های آموزشی در قالب آموزش سازمانی برای نیروی کار فعلی نیز برگزار کرد، به‌ویژه برای کسانی که در طراحی برنامه‌های عملیاتی، برنامه‌ریزی مسیر و پیش‌بینی تقاضا نقش دارند.

مدل‌ سازی مالی و مدیریت ریسک

شبیه‌سازی بازارهای مالی، بهینه‌سازی سبد سرمایه‌گذاری و تحلیل ریسک در شرایط نوسانی از جمله کابردهای کامپیوترهای کوانتومی در حوزه مدل‌سازی مالی و مدیریت ریسک محسوب می‌شود. همچنین این کامپیوترها در مدیریت ریسک اعتباری، کشف تقلب و حتی توسعه الگوریتم‌های معاملاتی جدید نیز مفید خواهند بود. همان‌طور که بارها اشاره شد، در یک کامپیوتر کوانتومی از پدیده‌های کوانتومی مانند برهم‌نهی و درهم‌تنیدگی برای انجام محاسبات پیچیده استفاده می‌شود. در مورد مفهوم درهم‌تنیدگی، فرادرس یک دوره آموزشی جامع را با عنوان «فیلم آموزش سیستم های کوانتومی درهم تنیده» تهیه کرده است که می‌تواند مسیر یادگیری این مفهوم را برای شما هموار کند. لینک مشاهده این فیلم در ادامه آورده شده است:

می‌دانیم بازارهای مالی روزانه میلیاردها نقطه داده تولید می‌کنند و استخراج اطلاعات معنی‌دار از این حجم داده‌، یک چالش بزرگ است. الگوریتم‌های کوانتومی مانند «یادگیری ماشین کوانتومی» (Quantum Machine Learning) می‌توانند الگوهای پنهان در داده‌های مالی را شناسایی کرده و پیش‌بینی‌های دقیق‌تری ارائه دهند. این مسئله به‌ویژه در پیش‌بینی حرکت بازار، شناسایی فرصت‌ها و توسعه استراتژی‌های معاملاتی بسیار مهم است. برای نمونه می‌توان با تحلیل داده‌های قیمت و حجم معاملات از گذشته، یک مدل یادگیری ماشین کوانتومی طراحی کرد تا الگوهایی را شناسایی کند که نشان‌دهنده تغییرات قیمت در آینده است.

این رویکرد متفاوت در حوزه مالی یک مزیت است و به‌طور خاص، در سه زمینه کلیدی زیر نمود پیدا می‌کند که در ادامه این بخش هر کدام را توضیح خواهیم داد:

• شبیه‌سازی بازارهای مالی
• بهینه‌سازی سبد سرمایه‌گذاری
• تحلیل ریسک در شرایط نوسانی

شبیه‌ سازی بازارهای مالی

شبیه‌سازی دقیق روند قیمت دارایی‌ها، مشتقات و سایر ابزارهای مالی، پایه بسیاری از تصمیم‌های سرمایه‌گذاری است. روش‌های کلاسیکی که برای این شبیه‌سازی‌های پیچیده به‌خصوص در مدل‌هایی با تعداد متغیر بالا و مسیرهای زمانی طولانی بکار می‌روند، اغلب با محدودیت‌های محاسباتی مواجه هستند. اما کامپیوترهای کوانتومی می‌توانند با استفاده از الگوریتم‌هایی مانند «الگوریتم مونت‌کارلو کوانتومی» (Quantum Monte Carlo) شبیه‌سازی‌های بسیار سریع‌تر و دقیق‌تری را انجام دهند. این موضوع به تحلیل‌گران مالی اجازه می‌دهد تا سناریوهای بیشتری را بررسی کرده و درک عمیق‌تری از پویایی بازار به‌دست آورند.

بهینه‌ سازی سبد سرمایه‌ گذاری

هدف از بهینه‌سازی سبد سرمایه‌گذاری یافتن ترکیبی از دارایی‌ها است که در ازای یک سطح معین از ریسک بالاترین بازده مورد انتظار را ارائه می‌دهند. این مسئله با افزایش تعداد دارایی‌ها و محدودیت‌ها به سرعت به یک مشکل پیچیده محاسباتی تبدیل می‌شود (چنین مشکلی را اغلب با عنوان NP-Hard می‌شناسیم). الگوریتم‌های بهینه‌سازی کوانتومی که در بخش‌ قبل معرفی شدند، از جمله الگوریتم QAOA یا Quantum Annealing، می‌توانند راه‌حل‌های بهتری را در زمان کوتاه‌تر پیدا کنند. این روش به سرمایه‌گذاران کمک می‌کند تا سبدهای سرمایه‌گذاری کارآمدتری تشکیل داده و به اهداف مالی خود دست یابند. این بهینه‌سازی در شکل کامل‌تر خود شامل تعادل بین دارایی‌های مختلف، مدیریت نقدینگی و رعایت الزامات نظارتی است.

تحلیل ریسک در شرایط نوسانی

بازارهای مالی همواره دارای نوسان‌اند و به همین علت شناسایی و مدیریت ریسک یک چالش همیشگی است. به‌علاوه، در شرایط بحرانی یا نوسانات شدید اغلب مدل‌های ریسک کلاسیکی بر پایه توزیع‌های نرمال با خطا مواجه می‌شوند. اما کامپیوترهای کوانتومی می‌توانند با بررسی طیف وسیع‌تری از سناریوها و مدل‌سازی همبستگی‌های پیچیده‌ای که بین دارایی‌ها وجود دارند، تحلیل ریسک دقیق‌تری ارائه کنند. برای مثال محاسبه پارامترهایی مانند «ارزش در ریسک» یا VaR در سبدهای بزرگ با استفاده از روش‌های کوانتومی می‌تواند با دقت و سرعت بیشتری انجام شود. این قابلیت به موسسات مالی کمک می‌کند تا تصمیمات بهتری در مورد تخصیص سرمایه و پوشش ریسک داشته باشند.

البته در زمینه مدیریت ریسک، توانایی مدل‌سازی دقیق وابستگی‌های غیرخطی بین دارایی‌ها از اهمیت بالایی برخوردار است. این قابلیت یکی از انواع کاربرد کامپیوتر کوانتومی است که با مدل‌سازی توزیع‌های پیچیده‌تر و روابط غیرخطی می‌تواند به ارزیابی دقیق‌تر ریسک‌های شدید (مانند ریسک‌های مرتبط با بحران‌های مالی) کمک کند. در نتیجه موسسات مالی این امکان را دارند تا سناریوهای بحرانی را بهتر پیش‌بینی کرده و طرح‌های اضطراری موثرتری را توسعه دهند.

باید به این نکته دقت کرد که کامپیوترهای کوانتومی هنوز در مراحل اولیه توسعه خود قرار دارند و چالش‌هایی مانند ساخت کیوبیت‌های پایدار، کاهش نویز و توسعه الگوریتم‌های کوانتومی کارآمد همچنان در این مسیر دیده می‌شود. در عین حال پیشرفت‌های اخیر نشان می‌دهد که کامپیوترهای کوانتومی ابزاری جدایی‌ناپذیر در حوزه ابزارهای مدل‌سازی مالی و مدیریت ریسک خواهند بود.

هوش مصنوعی و یادگیری ماشین کوانتومی

یادگیری ماشین کوانتومی (QML) با ترکیب مکانیک کوانتومی و یادگیری ماشین پیشرفته در حوزه‌هایی مانند سلامت و بهداشت، امور مالی، هوش مصنوعی و امنیت سایبری موجب تحولات بسیاری شده است. در بخش‌های قبل به گوشه‌هایی از این مباحث پرداختیم. همچنین تسریع در آموزش مدل‌های یادگیری عمیق، خوشه‌بندی داده‌ها و بهینه‌سازی مدل‌های AI مواردی هستند که می‌توان با کاربرد کامپیوتر کوانتومی در حوزه هوش مصنوعی به آن‌ها دست پیدا کرد.

کشف دارو و بیوانفورماتیک با QML

QML از طریق انجام محاسبات فشرده فرآیند کشف دارو و بیوانفورماتیک را متحول کرده است. برای نمونه، تاخوردگی پروتئین یکی از چالش‌های مهم در درک فرآیندهای بیولوژیکی است که از الگوریتم‌های QML برای درک و بررسی آن استفاده می‌شود. مدل‌های تقویت‌ شده توسط کوانتوم ساختارهای پروتئین را با سرعت و دقت بالایی پیش‌بینی می‌کنند. این امر به تسریع و توسعه درمان‌های هدفمند کمک می‌کند.

همچنین همان‌طور که در بخش‌های قبل دیدیم، شبیه‌سازی مولکولی یکی دیگر از حوزه‌هایی است که QML در آن فعال است. آزمایش‌های شرکت‌هایی مانند IBM و Google نشان می‌دهند که الگوریتم‌های کوانتومی تعاملات مولکولی را با دقت بالاتری نسبت به روش‌های کلاسیکی شبیه‌سازی می‌کنند. QML با مدل‌سازی سیستم‌های شیمیایی پیچیده، محققان را قادر می‌سازد تا داروهای جدیدی را شناسایی کنند که پایداری بالاتری دارند.

امور مالی و بهینه‌ سازی با QML

در امور مالی نیز QML راه‌حل‌های متحول‌کننده‌ای برای بهینه‌سازی سبد سهام و مدیریت ریسک ارائه می‌دهد. بهینه‌سازی سبد سهام از الگوریتم‌های کوانتومی مانند QAOA برای متعادل کردن ریسک و بازده بهتر در مقایسه با روش‌های کلاسیکی استفاده می‌کند. این پیشرفت‌ها موسسات مالی را قادر می‌سازد تا سبد سهام خود را در بازارهای بی‌ثبات بهتر کنند.

همچنین در زمینه تشخیص تقلب نیز می‌توان از تشخیص ناهنجاری‌های کوانتومی بهره برد، به این شکل که الگوریتم‌های QML الگوهای غیرمعمول را در داده‌های تراکنش با حساسیت بیشتری شناسایی می‌کنند. تشخیص تراکنش‌های نادرست شامل تجزیه و تحلیل حجم عظیمی از داده‌ها است. QML می‌تواند الگوریتم‌های تشخیص ناهنجاری را با استفاده از روش‌های کوانتومی، خوشه‌بندی و از طریق شناسایی داده‌های پرت پیاده‌سازی کند.

تسریع هوش مصنوعی و داده‌های بزرگ با QML

حجم رو به افزایش داده‌های تولید شده به‌تدریج هوش مصنوعی را به سمت محدودیت سوق خواهد داد. QML با افزایش ظرفیت‌های محاسباتی می‌تواند راه‌حل‌هایی برای این مسئله پیشنهاد دهد. یادگیری عمیق تقویت‌ شده با کوانتوم از جبر خطی کوانتومی برای سرعت بخشیدن به عملیات ماتریسی استفاده کرده و در نتیجه، زمان آموزش شبکه‌های عصبی در مقیاس بزرگ را کاهش می‌دهد. برخورداری از این قابلیت برای برنامه‌هایی که نیاز به تکرار سریع مدل‌ها دارند (مانند وسایل نقلیه خودران) بسیار مهم است.

امنیت سایبری و رمزنگاری با QML

QML نقش مهمی در افزایش و ایمن‌سازی سیستم‌های بر پایه یادگیری ماشین ایفا می‌کند. رمزگذاری مقاوم در برابر کوانتوم که در بخش قبل توضیح دادیم، بخشی از انواع رمزنگاری‌های پس از کشف کوانتوم است. در این روش رمزگذاری از QML برای توسعه الگوریتم‌ها استفاده می‌شود تا در برابر حملات کوانتومی ایمن شده و داده‌های حساس را در برابر رایانه‌های کوانتومی آینده محافظت کنند. این پیشرفت‌ها برای ایمن‌سازی سیستم‌های مالی و زیرساخت‌های دولتی بسیار مهم هستند.

تسریع آموزش مدل‌ های یادگیری عمیق

الگوریتم‌های جبر خطی کوانتومی مانند الگوریتم Harrow-Hassidim-Lloyd یا HHL می‌توانند اجرای عملیات ماتریسی را که اساس یادگیری عمیق هستند، به‌طور قابل‌توجهی سرعت ببخشند. تسریع در عملیاتی مانند حل سیستم‌های خطی و سپس تحلیل مولفه‌های اصلی می‌تواند زمان آموزش مدل‌های یادگیری عمیق در مقیاس بزرگ را به شدت کم کند. علاوه‌بر این معماری‌های شبکه عصبی کوانتومی جدید مانند مدارهای کوانتومی متغیر، روش‌های جدیدی برای طراحی این مدل‌ها ارائه می‌کنند که از مزایای ویژه محاسبات کوانتومی بهره برده و در نتیجه، منجر به آموزش سریع‌تر و کارآمدتر می‌شوند.

خوشه‌ بندی داده‌ها

الگوریتم‌های کوانتومی با استفاده از جبر خطی کوانتومی قادراند روش‌های خوشه‌بندی قدیمی را بهتر کنند. به‌عنوان مثال، تحلیل مولفه‌های اصلی تقویت‌ شده با کمک گرفتن از محاسبات کوانتومی موجب پیشرفت سریع‌تر محاسبات فاصله و کاهش ابعاد خواهد شد. این مسئله امکان پردازش کارآمدتر مجموعه‌ داده‌های بزرگ و کشف ساختارهای پنهان در داده‌های با ابعاد بالا را فراهم می‌کند که در زمینه خوشه‌بندی موثر داده‌ها بسیار نکته مهمی محسوب می‌شود.

الگوریتم‌های کوانتومی با استفاده از اصول کوانتومی مانند برهم‌نهی و درهم‌تنیدگی، فضاهای راه‌حل بزرگ‌تر را جستجو کرده و داده‌ها را بسیار کارآمدتر از روش‌های کلاسیکی پردازش می‌کنند. به‌عنوان مثال، خوشه‌بندی سلسله مراتبی کوانتومی از یک سری زیربرنامه‌ کوانتومی برای انجام محاسبات فاصله استفاده می‌کند و روش‌های مبتنی بر چگالی کوانتومی (مانند DBSCAN کوانتومی) تخمین‌های چگالی را به شکلی موثر و دقیق‌تر محاسبه می‌کنند.

بهینه‌ سازی مدل‌ های هوش مصنوعی

الگوریتم‌های کوانتومی مانند «الگوریتم بهینه‌سازی تقریبی کوانتومی» یا QAOA و VQE برای حل مسائل بهینه‌سازی پیچیده و با ابعاد بالا مناسب‌اند. این الگوریتم‌ها می‌توانند پارامترهای شبکه عصبی را در مقایسه با روش‌های مبتنی بر گرادیان بسیار بهتر تنظیم کنند. علاوه‌بر این، «ماشین‌های بولتزمن کوانتومی» (QBMs) با بهره‌گیری از تونل‌زنی کوانتومی قادراند به شکل موثرتری به بررسی و محاسبات انرژی پرداخته و در بهینه‌سازی‌های مدل هوش مصنوعی از همتایان کلاسیکی خود بهتر عمل کنند.

در همین زمینه، برای مثال الگوریتم Quantum Annealing یکی از تکنیک‌های بهینه‌سازی محسوب می‌شود که از نوسانات کوانتومی برای یافتن حداقل یک تابع هدف استفاده کرده و آن را برای مسائل خوشه‌بندی که با هدف انجام وظایف بهینه‌سازی فرموله شده‌اند، مناسب می‌سازد. روش کاربرد کامپیوتر کوانتومی در این بخش به این صورت است که تابع هدف خوشه‌بندی در یک هامیلتونی کوانتومی کدگذاری می‌شود و متغیرها و محدودیت‌ها به کیوبیت‌ها نگاشت می‌شوند. فرآیند بازپخت یا انیلینگ عبارت است از فرآیندی که یک سیستم کوانتومی را از یک برهم‌نهی اولیه به یک حالت نهایی که نشان‌دهنده راه‌حل بهینه‌سازی خوشه‌بندی است، تکامل داده و با بررسی پیکربندی‌ها و کمک گرفتن از دو پدیده کوانتومی تونل‌زنی و برهم‌نهی، راه‌حل‌های خوشه‌بندی بهتری نسبت به روش‌های بهینه‌سازی کلاسیکی پیدا می‌کند.

یادگیری علوم کامپیوتر و فیزیک کوانتوم با فرادرس

پیش از پرداختن به بخش انتهایی این مطلب از مجله فرادرس، یادآوری می‌کنیم که جهت درک بهتر مفاهیم محاسبات کوانتومی، نحوه عملکرد و کاربردهای کامپیوتر کوانتومی تسلط به مباحث علوم کامپیوتر و فیزیک کوانتوم ضروری است. در این قسمت قصد داریم در همین راستا چند دوره آموزشی از مجموعه فرادرس را به شما معرفی کنیم. اگر دانشجوی گرایش‌های مختلف رشته علوم یا مهندسی کامپیوتر هستید و نیاز دارید با مبانی فیزیک کوانتوم آشنا شوید، مشاهده فیلم‌های زیر را به شما پیشنهاد می‌کنیم:

اما در صورتی که دانشجوی رشته فیزیک و مسلط به مباحث کوانتومی هستید، اما لازم است مبانی علوم کامپیوتر و برای مثال، نحوه عملکرد مدارهای منطقی را فرا بگیرید، تماشای دوره‌های آموزشی زیر از مجموعه فرادرس برای شما مناسب است:

کامپیوتر کوانتومی چیست؟

برای اینکه درک بهتری از کاربرد کامپیوتر کوانتومی به‌دست آوریم، ابتدا لازم است بدانیم یک کامپیوتر کوانتومی چیست و چگونه کار می‌کند. در این صورت به محض اینکه متوجه تفاوت‌های محاسبات کوانتومی با محاسبات کلاسیکی بشویم، آگاهی از کاربرد کامپیوتر کوانتومی در صنایع مختلف چندان دشوار نخواهد بود.

کشف مکانیک کوانتومی به ما کمک کرد تا متوجه شویم که قوانین حاکم بر جهان اطراف ما در کوچک‌ترین مقیاس‌ها مانند مولکول‌ها، اتم‌ها و ذرات زیراتمی با قوانینی که رفتار سایر اجسام را هدایت می‌کنند، متفاوت‌ است. مکانیک کوانتومی به ما این امکان را داد تا جزئیات فرآیندهایی مانند عملکرد باتری‌های الکتریکی در خودروها و کامپیوترها را درک کنیم و زمینه‌ساز کشف پدیده‌ها یا گروه‌هایی از مواد مانند لیزر و نیمه‌رساناها شد. با این وجود تا سال ۱۹۸۱ طول کشید تا فیزیک‌دان معروف «ریچارد فاینمن» (Richard Feynman) این نظریه را بیان کند که چون جهان در ذات خود کوانتومی است، پس اگر بخواهیم کامپیوتری داشته باشیم که بتواند به‌درستی آن را شبیه‌سازی کند، باید بر مبنای محاسبات کوانتومی طراحی و ساخته شود.

کامپیوتر کوانتومی با بهره‌گیری از چند پدیده مهم در مکانیک کوانتومی افزایش قدرت پردازش جالب‌توجه‌ای در مقایسه با کامپیوتر کلاسیکی ایجاد می‌کند، به گونه‌ای که انتظار می‌رود این کامپیوترها حتی از قدرتمندترین ابرکامپیوترهای امروز و آینده نیز پیشی بگیرند. با این وجود باید به این نکته توجه داشته باشیم که این کامپیوترها هیچ‌گاه جایگزین کامل کامپیوترهای معمولی نخواهند شد و همچنان استفاده از کامپیوترهای کلاسیک به منظور حل بسیاری از مسائل و محاسبات، ساده‌ترین و بهترین راه است.

تعریف کیوبیت

کامپیوترهای کلاسیکی از بیت استفاده می‌کنند که جریانی است از پالس‌های الکتریکی یا نوری و همواره معادل است با یکی از دو حالت ۰ یا ۱. بنابراین همه چیز از ایمیل‌ها تا موسیقی‌ یا ویدئوها در حقیقت به شکل رشته‌های طولانی از این ارقام دودویی ساخته شده است. اما کامپیوترهای کوانتومی به‌جای بیت از «کیوبیت» (Qubit) استفاده می‌کنند. کیوبیت‌ها معمولا ذرات زیراتمی مانند الکترون‌ یا فوتون‌ها هستند و تولید و کنترل این واحدهای کوانتومی عموما چالش‌برانگیز است.

برخی از شرکت‌ها مانند IBM یا گوگل از مدارهای ابررسانا برای تولید کیوبیت استفاده می‌کنند و لازم است تا دمایی پایین‌تر از دمای معمول سرما فراهم شود. برخی دیگر از شرکت‌ها مانند IonQ اتم‌های منفرد را در میدان‌های الکترومغناطیسی روی یک تراشه سیلیکونی و در اتاق‌هایی با خلا بسیار بالا به دام می‌اندازند. در هر دو روش هدف این است که کیوبیت‌ها در یک حالت کوانتومی کنترل‌ شده ایزوله شوند. ویژگی‌های خاص کیوبیت‌ها به آن‌ها اجازه می‌دهد تا بتوانند قدرت پردازش بسیار قویتری نسبت به همان تعداد بیت معمولی فراهم کنند. در ادامه به توضیح مختصر این ويژگی‌های کوانتومی می‌پردازیم که عبارت‌اند از برهم‌نهی و درهم‌تنیدگی.

اصل برهم‌نهی

کیوبیت‌ها می‌توانند به‌طور همزمان ترکیب‌های مختلفی از ۰ و ۱ را نشان دهند. به این توانایی قرار گرفتن همزمان در چند حالت مختلف برای کیوبیت‌ها، برهم‌نهی یا Superposition گفته می‌شود. برای اینکه کیوبیت‌ها در حالت برهم‌نهی قرار بگیرند، پژوهشگران آن‌ها را با استفاده از لیزرهای دقیق یا امواج میکروموج دستکاری می‌کنند.

به این ترتیب یک کامپیوتر کوانتومی که دارای چند کیوبیت در حالت برهم‌نهی است، با در نظر گرفتن این اصل کوانتومی مهم می‌تواند همزمان تعداد بسیار زیادی از حالت‌های ممکن را پردازش کند. اما نتیجه نهایی فقط زمانی به‌دست می‌آید که کیوبیت‌ها اندازه‌گیری شوند. در واقع با اندازه‌گیری بلافاصله حالت برهم‌نهی از بین می‌رود و به یکی از دو حالت ۰ یا ۱ تبدیل می‌شود.

درهم‌تنیدگی

در محاسابت کوانتومی تلاش بر این است که جفت‌ کیوبیت‌هایی تولید شوند که درهم‌تنیده‌اند، به این معنا که دو عضو این جفت در یک حالت کوانتومی مشترک قرار دارند. در این شرایط تغییر حالت یکی از کیوبیت‌ها بلافاصله و به‌شکلی قابل پیش‌بینی باعث تغییر حالت کیوبیت دیگر می‌شود، حتی اگر فاصله بسیار زیادی از هم داشته باشند.

با اینکه درک پدیده درهم‌تنیدگی یا Entanglement دشوار است، اما یکی از بازوهای اصلی قدرت کامپیوترهای کوانتومی محسوب می‌شود. برای اینکه بهتر متوجه شوید اثر این پدیده در توان پردازشی یک کامپیوتر کوانتومی چیست، این نکته را در نظر بگیرید که برای مثال در یک کامپیوتر کلاسیکی دو برابر کردن تعداد بیت‌ها، توان پردازشی آن را دو برابر می‌کند. این در حالی است که در یک کامپیوتر کوانتومی با توجه به درهم‌تنیدگی، بیشتر کردن تعداد کیوبیت‌ها باعث می‌شود توان پردازشی به‌صورت نمایی افزایش پیدا کند.

به این ترتیب کامپیوترهای کوانتومی با استفاده از کیوبیت‌های درهم‌تنیده شده و با بکارگیری نوعی زنجیره کوانتومی محاسبات خود را انجام می‌دهند. توانایی این ماشین‌ها در سرعت بخشیدن به محاسبات با بهره‌گیری از الگوریتم‌های ویژه‌ کوانتومی دلیل اصلی گسترش کاربرد کامپیوتر کوانتومی است. البته در کنار این مزایا، باید این موضوع را نیز در نظر داشته باشیم که کامپیوترهای کوانتومی بسیار بیشتر از کامپیوترهای کلاسیکی خطا دارند که علت آن را در بخش بعد توضیح می‌دهیم.

با توجه به توضیحاتی که تا اینجا ارائه شد، حالا می‌توانیم مقایسه بهتری در زمینه تفاوت بیت‌های معمولی (کلاسیکی) و کیوبیت‌‌ها (بیت‌های کوانتومی)‌ داشته باشیم. بیت‌های معمولی داده‌ها را به‌صورت ۰ یا ۱ ذخیره می‌کنند، اما کیوبیت‌ها فراتر از سیستم دودویی عمل کرده و با توجه به اصل برهم‌نهی می‌توانند در حالت ۰ یا ۱ یا هر دو به‌‌صورت همزمان قرار بگیرند. این ویژگی به آن‌ها این امکان را می‌دهد تا حجم بسیار بیشتری از داده‌ها را به‌طور همزمان پردازش کنند. به‌علاوه کیوبیت‌ها می‌توانند درهم‌تنیده شوند، به این معنا که حالت یکی از آن‌ها مستقیما روی حالت دیگری تاثیر می‌گذارد (حتی در فواصل بسیار زیاد).

این ویژگی قدرت پردازش موازی گسترده‌ای را فراهم می‌کند، به این شکل که یک کامپیوتر کلاسیکی با ۱۰ بیت تنها می‌تواند در هر لحظه یکی از ۱۰۲۴ ترکیب ممکن را پردازش کند، اما یک کامپیوتر کوانتومی با ۱۰ کیوبیت قادر است تمام ۱۰۲۴ ترکیب را به‌صورت همزمان پردازش کند. همین تفاوت باعث می‌شود کامپیوترهای کوانتومی بتوانند مسائل بسیار پیچیده‌ای مانند شبیه‌سازی مولکول‌ها یا شکستن رمزنگاری‌ها را با سرعتی نمایی بالاتر از کامپیوترهای کلاسیکی حل کنند.

ناهمدوسی کوانتومی

ناهمدوسی یا Decoherence به برهم‌کنش کیوبیت‌ها با محیط اطراف گفته می‌شود، به گونه‌ای که موجب تضعیف و در نهایت از بین رفتن ویژگی‌های کوانتومی آن‌ها شود. در واقع حالت کوانتومی کیوبیت‌ها با کوچک‌ترین لرزش یا تغییر دما (در زبان کوانتومی به این شرایط نویز می‌گوییم) ممکن است از حالت برهم‌نهی خارج شود. به همین دلیل است که پژوهشگران تمام تلاش خود را می‌کنند تا کیوبیت‌ها را با استفاده از یخچال‌های فوق‌سرد و محفظه‌های خلا از شرایط نامناسب محافظت کنند.

علی‌رغم تمام این تلاش‌ها همچنان نویز وجود دارد و در نتیجه خطای زیادی به محاسبات وارد می‌شود. در این راستا الگوریتم‌های هوشمند کوانتومی می‌توانند بخشی از این خطاها را جبران کنند و البته افزودن کیوبیت‌های بیشتر نیز کمک‌ کننده است. با این وجود احتمالا هزاران کیوبیت معمولی لازم است تا بتوان یک کیوبیت بسیار قابل‌اعتماد که به آن «کیوبیت منطقی» (Logical Qubit) گفته می‌شود، ایجاد کرد. چنین فرآیندی بخش زیادی از ظرفیت محاسباتی یک کامپیوتر کوانتومی را مصرف می‌کند و چالش بزرگ دقیقا همین‌جا است. تاکنون پژوهشگران نتوانسته‌اند بیشتر از ۱۲۸ کیوبیت استاندارد تولید کنند و به همین دلیل احتمالا سال‌ها با ساخت کامپیوترهای کوانتومی که به‌طور گسترده قابل‌استفاده باشند، فاصله داریم. البته این مسئله نتوانسته است امید پژوهشگران این حوزه را برای رسیدن به برتری کوانتومی کمرنگ کند.

برتری کوانتومی

برتری کوانتومی یا Quantum Supremacy نقطه‌ای است که در آن یک کامپیوتر کوانتومی قادر است بخشی از محاسبات ریاضی خارج از توان قدرتمندترین ابرکامپیوترهای کلاسیکی را انجام دهد. در حال حاضر دقیقا مشخص نیست که چند کیوبیت برای رسیدن به این نقطه لازم است، چرا که پژوهشگران پیوسته در حال یافتن الگوریتم‌های جدید برای بهبود عملکرد کامپیوترهای کلاسیکی هستند و سخت‌افزارهای ابرکامپیوترها نیز به‌طور مداوم در حال پیشرفت است. با این وجود پژوهشگران و شرکت‌های مختلف تلاش می‌کنند تا به این نقطه نیز برسند و در همین راستا کامپیوترهای کوانتومی را در رقابت با برخی از قدرتمندترین ابرکامپیوترهای جهان آزمایش می‌کنند.

اینکه دستیابی به این نقطه دقیقا چقدر اهمیت دارد، یکی از مهم‌ترین مباحث در حوزه کاربرد کامپیوتر کوانتومی محسوب می‌شود. البته بسیاری از شرکت‌ها برای اعلام رسمی برتری کوانتومی منتظر نمانده‌اند و در حال آزمایش کامپیوترهای کوانتومی هستند که توسط شرکت‌هایی مانند IBM یا Rigetti و D-Wave (یک شرکت کانادایی) ساخته شده‌ است. همچنین برخی از شرکت‌های چینی مانند Alibaba نیز دسترسی به کامپیوترهای کوانتومی را فراهم کرده‌اند، در حالی که برخی دیگر از نسخه‌هایی استفاده می‌کنند که از طریق خدمات رایانش ابری در دسترس قرار گرفته‌اند.