جدول زمانی برای محاسبات کوانتومی کوتاه‌تر می‌شود

منتشر شده در networkworld به تاریخ ۱۸ می ۲۰۲۱
لینک منبع The timeline for quantum computing is getting shorter

تاجران مالی به شدت بر شبیه‌سازهای مالی کامپیوتری برای تصمیم‌گیری خرید و فروش وابسته‌اند. به طور خاص، شبیه‌سازهای «مونت کارلو» برای ارزیابی ریسک و شبیه‌سازی قیمت‌ها برای طیف گسترده‌ای از ابزارهای مالی استفاده می‌شوند. این شبیه‌سازها همچنین می‌توانند در امور مالی شرکت و برای مدیریت پورتفولیو مورد استفاده قرار گیرند.

اما در دنیای دیجیتال که در آن صنایع دیگر به طور معمول از داده‌های بلادرنگ استفاده می‌کنند، تاجران مالی با معادل دیجیتال پونی اکسپرس کار می‌کنند. به این دلیل که شبیه‌سازهای مونت کارلو شامل تعداد بسیار زیادی محاسبات پیچیده است که آن‌ها زمان و منابع محاسباتی بیشتری را نسبت به ۱۴ تیم، لیگ فوتبال فانتزی آنلاین دو طرفه با موقعیت سوپریکس مصرف می‌کنند.

در نتیجه، محاسبات مالی با استفاده از روش‌های مونت کارلو به طور معمول یک‌بار در روز انجام می‌شوند. اگرچه ممکن است در بازار اوراق قرضه نسبتاً آرام بسیار خوب باشد، معامله‌گرانی که سعی در پیمایش در بازارهای ناپایدار دارند، در ضرر هستند زیرا باید به داده‌های قدیمی اعتماد کنند. کاش راهی برای شتاب بخشیدن به شبیه‌سازی‌های مونت کارلو به نفع تاجران مالی ضعیف ما وجود داشت!

به زودی، طبق گفته گلدمن ساکس، غول خدمات مالی و QC Ware، یک ارائه‌دهنده خدمات کوانتومی وجود خواهد داشت که برنامه‌هایی را برای اجرا بر روی سخت‌افزار محاسباتی کوانتومی کوتاه‌مدت توسعه می‌دهد. گزارش شده‌است که محققان برای این دو شریک الگوریتم‌های کوانتومی جدیدی را برای اجرای شبیه‌سازی‌های مونت کارلو بر روی سخت‌افزار کوانتومی کوتاه‌مدت طراحی کرده‌اند که انتظار می‌رود در ۵ تا ۱۰ سال آینده در دسترس باشد.

چیزهای زیادی برای باز کردن آن وجود دارد. اول اینکه، سخت‌افزار محاسبات کوانتومی کوتاه‌مدت چیست؟ اساسا، این یک نسخه ناقص و مستعد خطا از نسخه کاملا محقق شده محاسبات کوانتومی است، که بسیار حساس به «نویز» محیطی است که نتایج را ناخالص می‌کند. به بیان عملی، این بدان معنی است که دستگاه‌های کوانتومی کوتاه‌مدت دارای نرخ خطای بالایی بوده و پس از تنها چند مرحله محاسبه، شروع به بازگشت نتایج نادرست خواهند نمود.

می‌دانم، مرا امضا کنید، درست است؟ خوشبختانه، الگوریتم های کوانتومی قادر به کاهش خطاها هستند در حالی که کامپیوترهای کوانتومی را قادر می‌سازند شبیه‌سازی‌های مونت کارلو را ۱۰۰۰ برابر سریع‌تر از روش‌های کلاسیک انجام دهند. متاسفانه، سخت‌افزار کوانتومی تصحیح شده با خطا مورد نیاز برای این الگوریتم‌ها برای اجرای شبیه‌سازی‌ها در آن سرعت ۱۰ تا ۲۰ سال فاصله دارد.

محققان گلدمن ساکس و QC Ware در تلاش برای یافتن زمینه میانی بین سرعت پیاده‌سازی و عملکرد بهینه محاسبات کوانتومی بودند.

این دو شرکت در یک خبر رسمی اعلام کردند: « با قربانی کردن موفقیت‌آمیز برخی از افزایش سرعت از ۱۰۰۰ x به ۱۰۰ x، این تیم توانست الگوریتم‌های کم‌عمق مونت کارلو را تولید کند که می‌توانند در کامپیوترهای کوانتومی کوتاه‌مدت اجرا شوند و انتظار می‌رود در عرض ۵ تا ۱۰ سال در دسترس باشند.»

مطالعه مقاله ضبط یک فوتون از نور: مهار کردن مشکل نویز کوانتوم توصیه می‌شود.

بنابراین در حالی که هیچ کمک فوری وجود ندارد، معامله‌گران مالی می‌توانند با دانستن اینکه جدول زمانی شبیه‌سازی سریع‌تر مونت کارلو به نصف کاهش یافته است، خیالشان راحت باشد. چند سال بعد، شبیه‌سازی‌های مالی مونت کارلو و ۱۴ تیم، لیگ فوتبال فانتزی آنلاین با موقعیت Superflex به ندرت یک‌سان خواهند بود. این امر برای سایر تلاش‌هایی که انتظار می‌رود محاسبات کوانتومی برای آن‌ها تحول آفرین باشد، شامل مراقبت‌های بهداشتی، هوش مصنوعی، تدارکات، تولید و امنیت ملی است.

توانایی الگوریتم های کوانتومی در افزایش سرعت محاسبات به صورت نمایی به شرکت‌ها اجازه می‌دهد تا سریع‌تر نوآوری کنند، سریع‌تر به اختلالات بازار پاسخ دهند و موثرتر عمل کنند. این امر به یک مزیت رقابتی نیز می‌افزاید. CIO ها محاسبات کوانتومی را به خاطر خطر خود نادیده می‌گیرند.

خبر موفقیت در محاسبات کوانتومی

در عین حال، آزمایشگاه ملی (لاس آلاموس) با اثبات این که بیش از یک راه برای ایجاد کیوبیت وجود دارد، گزارش می‌دهد که از یادگیری ماشینی برای توسعه الگوریتم‌هایی استفاده می‌کند که کامپیوترهای کوانتومی امروزی را نسبت به نویز کم‌تر آسیب‌پذیر می‌کند.

در یک مقاله جدید، آژانس تحقیقات علمی نشان می‌دهد که چگونه یک روش به نام «یادگیری مدار آگاه از نویز» می‌تواند نرخ خطا را دو یا سه بار کاهش دهد.

پاتریک کولز، فیزیکدان کوانتوم در آزمایشگاه ملی لوس آلاموس و مولف اصلی این مقاله، گفت که رویکرد یادگیری ماشین شبیه به شخصی است که واکسنی دریافت می‌کند که سیستم ایمنی بدن را برای مقاومت در برابر ویروس آموزش می‌دهد. یادگیری ماشین به الگوریتم‌ها یا مدارهای کوانتومی اجازه می‌دهد تا مقاومت را در برابر فرآیندهای نویز یک ماشین کوانتومی خاص ایجاد کنند. یک تشبیه وجود دارد که همه ما می‌توانیم آن را این روزها درک کنیم.

این متن با استفاده از ربات مترجم مقاله علوم کامپیوتر ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.