הקשר חישוב קוונטי

בסרטון הבא, אוליביה ליינס מדריכה אותך דרך התוכן של השיעור הזה. לחלופין, אפשר לפתוח את סרטון YouTube של השיעור בחלון נפרד.

התחלת את הקורס הזה על ידי צלילה ישירה להרצת ה-Circuit הקוונטי הראשון שלך, ולמדת כיצד חוקי מכניקת הקוונטים משמשים ליצירת מצבים קוונטיים, Gate-ים ו-Circuits. עכשיו בואו נתרחק קצת. בחלק זה, נחקור את החישוב הקוונטי דרך מסגרות שונות שיעזרו לך לנווט שיחות, כותרות ומאמרים על חישוב קוונטי בעין ביקורתית יותר.

אין ספק שיש הרבה התלהבות מחישוב קוונטי, והאפשרויות שטכנולוגיה זו עשויה להציע. אפשר אפילו לקרוא לזה "היפ". כפי שתמיד קורה כשיש היפ סביב גילוי חדש, קשה להבחין בין עובדה לבדיה. עם זאת בחשבון, עדיף להתחיל ממה שחישוב קוונטי אינו:

• חישוב קוונטי לא הולך להחליף מחשבים מסורתיים, קלאסיים — ולא הולך להגיע ל"טלפון קוונטי"
• הוא לא דרך "לבדוק בו-זמנית את כל התשובות האפשריות"
• הוא לא עדיף באופן אוניברסלי על מחשבים קלאסיים עבור כל המשימות
• הוא לא במלחמה עם AI
• הוא לא חסר תועלת עד שנשיג סבילות לשגיאות או תיקון שגיאות
• הוא לא קסם

מקווה שזה לא גרם לך לנטוש את הקורס לגמרי או לחשוב שאין כאן ממש ערך. להיפך בדיוק! לחישוב קוונטי יש פוטנציאל להיות עוצמתי מאוד — אבל רק ליישומים מסוימים. למרבה המזל, יישומים אלה כוללים תחומי מחקר פעילים שעשויים לשנות מהיסוד את הדרך שבה אנחנו גישים לבעיות חשובות, כמו סימולציות כימיות, חקירת חומרים וניתוח מערכי נתונים גדולים. לפני שנחקור את תחומי היישום האלה, בואו נעמיק תחילה בכמה מהתפיסות השגויות האלה.

הרחבה

תפיסה שגויה נפוצה נוספת לגבי מחשבים קוונטיים היא שככל שיש להם יותר Qubit-ים, כך הם חזקים יותר. אמנם זה לא בהכרח שגוי, אבל זה לא מתאר את התמונה המלאה. בעוד שהרחבה בכמות היא בהחלט אלמנט קריטי, היא אינה חשובה יותר מאיכות ה-Qubit-ים עצמם. האיכות נמדדת במספר דרכים, כאשר אחת החשובות ביותר היא זמני הקוהרנטיות ודה-פאזינג, או $T_1$ ו-$T_2$ בהתאמה. אלה מדידות של כמה זמן מידע קוונטי ב-Qubit יכול להישאר יציב. כשהוצגו ה-Qubit-ים המוליכים-על הראשונים, מספר זה היה בסדר גודל של ננו-שניות (Nakamura et al., 1999); עכשיו, אנחנו מייצרים באופן קבוע Qubit-ים עם זמני קוהרנטיות יציבים של מאות מיקרו-שניות.

מרכיב קריטי נוסף שאנחנו מצביעים עליו כשאנחנו מסתכלים כיצד מחשבים קוונטיים משתפרים הוא מהירות. למדידת מהירות אנחנו משתמשים במשהו הנקרא Circuit Layer Operations per Second (CLOPS). CLOPS משלב הן את הזמן להרצת Circuit והן את החישוב הקלאסי בזמן אמת ובסמוך לזמן אמת, מה שמאפשר לו לשמש כמדד מהירות הוליסטי יחיד.

כל שלושת האלמנטים האלה יחד נדרשים כדי להמשיך לבנות את הדרך לקראת מחשב קוונטי סביל לשגיאות ואוניברסלי. לכן, כשמסתכלים על מפת הדרכים של IBM Quantum®, תשים לב שחלק מהקפיצות בין מעבדים אין להן עלייה גדולה במספר ה-Qubit. לדוגמה, שים לב לעלייה הצנועה במספר ה-Qubit בין Heron ל-Nighthawk, כי זה לא המיקוד האמיתי של השיפור הזה. במקום זאת, Nighthawk מממש טופולוגיית קישוריות חדשה שתאפשר קודי תיקון שגיאות שונים.

תיקון שגיאות לעומת הפחתת שגיאות

תיקון שגיאות נשאר אחד מהיעדים ארוכי הטווח הגדולים ביותר לחוקרים בחישוב קוונטי. הוא מבוסס על ההנחה שה-Qubit-ים תמיד יישארו רועשים ונוטים לשגיאות, ואם אנחנו רוצים להריץ אלגוריתמים בקנה מידה גדול, כמו אלגוריתם שור לדוגמה, נצטרך את היכולת לאתר ולתקן שגיאות אלה בזמן אמת. יש סוגים רבים של קודי תיקון שגיאות, ואנחנו מפנים אותך לקורסים אחרים (כמו הקורס Foundations of quantum error correction) אם ברצונך להעמיק בהם.

הפחתת שגיאות, לעומת זאת, כבר נמצאת בשימוש קבוע לשיפור תוצאות החישוב הקוונטי. הרעיון מאחורי הפחתת שגיאות הוא שאנחנו מקבלים שיתרחשו שגיאות, ומנסים לחזות את התנהגותן כדי להפחית את ההשפעות שלהן. יש טכניקות רבות להפחתת שגיאות; רבות דורשות הרצות מרובות על מחשב קוונטי בצירוף עיבוד קלאסי לאחר. לא סביר שתיקון שגיאות יחליף לחלוטין את הפחתת השגיאות. במקום זאת, אנחנו צופים שגם וגם ישמשו יחדיו כדי להחזיר את התוצאות הטובות ביותר האפשריות מהמחשבים הקוונטיים.

רכיבי חישוב קוונטי

קודם לכן, הזכרנו שתפיסה שגויה נפוצה היא שמחשבים קוונטיים ייחליפו יום אחד את המחשבים הקלאסיים. זה בהחלט לא המצב; מחשבים קוונטיים ומחשבים קלאסיים לא באמת במלחמה לנסות להחליף זה את זה. למעשה, כפי שצוין בחלק הקודם, מחשבים קוונטיים צריכים מחשבים קלאסיים כדי לתפקד, מסיבות שונות. כשאנחנו מדברים על "מחשבים" באופן כללי, אנחנו בדרך כלל מניחים שהם כוללים את כל הרכיבים כמו CPU, RAM, זיכרון וכן הלאה. לעומת זאת, למחשב קוונטי אין את כל הרכיבים האלה. לעתים קרובות כשאנשים מדברים על מחשב קוונטי, הם למעשה מתייחסים ל-QPU, או יחידת עיבוד קוונטי, שמשתלטת על תפקיד העיבוד מה-CPU. ה-QPU עצמו אינו מחשב לשימוש כללי. הוא לא מריץ מערכת הפעלה, לא מנהל זיכרון, ולא מטפל בממשקי משתמש. תפקידו הבלעדי הוא לתמרן Qubit-ים לפי פעולות קוונטיות מבוקרות בקפידה לפני החזרת תוצאות המדידה למערכת קלאסית.

בפועל, מחשבים קוונטיים של היום מובנים בצורה הטובה ביותר כמערכות היברידיות. מחשב קלאסי מתזמר את תהליך העבודה — מכין קלטים, מקמפל Circuits קוונטיים, מתזמן jobs ומעבד תוצאות לאחר — בעוד שה-QPU מבצע רק את החלק הקוונטי של החישוב. גם ככל שהחומרה הקוונטית מתקדמת, חלוקת עבודה זו צפויה להישאר, כאשר ההתקדמות תתמקד באינטגרציה הדוקה יותר ותקשורת מהירה יותר בין המערכות הקלאסיות ל-QPU-ים במקום ביטול הרכיבים הקלאסיים לחלוטין.

תחומי יישום סבירים של חישוב קוונטי

אנחנו ממיינים בגסות את התחומים שבהם אנחנו מאמינים שחישוב קוונטי יהיה בעל השפעה הגדולה ביותר לארבע קטגוריות: אופטימיזציה, סימולציית Hamiltonian, משוואות דיפרנציאליות חלקיות (PDEs) ולמידת מכונה.

סימולציית Hamiltonian

נושא זה עוסק בסימולציה של תהליכים מכניים קוונטיים שנמצאים בטבע. ביסודו, הוא כולל שתי משימות רחבות: מציאת אנרגיית מצב הבסיס של מערכת המתוארת על ידי ה-Hamiltonian שלה, שמקודד את האנרגיה הכוללת והאינטראקציות בתוך המערכת, וסימולציה של אופן התפתחות המערכת לאורך זמן (דינמיקה קוונטית).

זהו אחד מתחומי היישום הטבעיים ביותר למחשבים קוונטיים: מערכות קוונטיות ידועות לשמצה כקשות לסימולציה על מחשבים קלאסיים, כיוון שגודל המרחב של המצב הקוונטי גדל אקספוננציאלית עם מספר החלקיקים. מחשבים קוונטיים, לעומת זאת, מייצגים מצבים קוונטיים ישירות, מה שהופך אותם למתאימים היטב — לפחות מבחינה עקרונית — לסוגים אלה של בעיות.

תחומי יישום מרכזיים כוללים:

• כימיה ומדע חומרים: חיזוי מבנה מולקולרי, מסלולי תגובה, אנרגיות קישור ותכונות חומר
• פיזיקה של מצב מוצק: חקר מערכות מתואמות בחוזקה, מעברי פאזה ומצבים קוונטיים אקזוטיים
• פיזיקה של אנרגיות גבוהות וגרעינית: מידול אינטראקציות חלקיקים

בטווח הארוך, התקדמות בסימולציית Hamiltonian עשויה לאפשר:

• גילוי תרופות ועיצוב קטליזטורים מדויקים יותר
• גילוי חומרים חדשים לסוללות
• תובנה עמוקה יותר לתופעות פיזיקליות בסיסיות

אלגוריתמים קוונטיים רבים מהנחקרים ביותר, כמו SQD, פותחו במיוחד עם סימולציית Hamiltonian בחשבון. כתוצאה מכך, קטגוריה זו נחשבת לעתים קרובות לאחת ממקרי השימוש המדעיים המשכנעים ביותר ומבוססי התיאוריה הטובים ביותר לחישוב קוונטי.

אופטימיזציה

בעיות אופטימיזציה כוללות מציאת הפתרון הטוב ביותר מתוך קבוצה גדולה של פתרונות אפשריים, בכפוף לאילוצים. בעיות אלה מופיעות בכל רחבי המדע, ההנדסה והתעשייה, ולעתים קרובות הופכות לבלתי ניתנות לחישוב ככל שגודל הבעיה גדל.

דוגמאות כוללות:

• תזמון וניתוב (לדוגמה, שרשראות אספקה, זרימת תנועה, תזמון טיסות)
• אופטימיזציית תיק השקעות וניהול סיכונים (פיננסים)
• הקצאת משאבים ולוגיסטיקה
• בעיות קומבינטוריות כמו פירוק גרף ו-max-cut

בעיות אופטימיזציה רבות מקוטלגות כ-NP-hard בתורת המורכבות, כלומר שאלגוריתמים קלאסיים בדרך כלל מסתמכים על היוריסטיקה או קירובים לדוגמאות גדולות. מכיוון שה-Qubit-ים מתנהגים אחרת מסיביות קלאסיות, ניתן למדל פתרונות באופן שונה. זה עשוי לאפשר לנו לחקור מרחבי פתרונות מהר יותר או בצורה מקיפה יותר מאלגוריתמים קלאסיים.

גישות קוונטיות נפוצות כוללות:

• אלגוריתמים ווריאציוניים, כמו Quantum Approximate Optimization Algorithm (QAOA)
• תהליכי עבודה קלאסיים-קוונטיים היברידיים, שבהם פותרים קלאסיים מנחים ומשפרים פרוצדורות קוונטיות

בעוד שעדיין שאלה פתוחה מתי — או עבור אילו בעיות — אופטימיזציה קוונטית תספק יתרון ברור על פני שיטות קלאסיות מתקדמות, אופטימיזציה נשארת תחום עניין מרכזי בשל נוכחותה בכל מקום וההתאמה הטבעית בין יעדי אופטימיזציה ל-Hamiltonians קוונטיים.

משוואות דיפרנציאליות חלקיות (PDEs)

משוואות דיפרנציאליות חלקיות מתארות כיצד כמויות פיזיות משתנות במרחב ובזמן. הן עומדות בבסיס רבים מהמודלים החשובים ביותר במדע ובהנדסה, כולל דינמיקת נוזלים, אלקטרומגנטיות, העברת חום ומידול פיננסי.

דוגמאות כוללות:

• משוואות Navier-Stokes לזרימת נוזלים
• משוואות שרדינגר וגל
• משוואות מקסוול
• PDEs פיננסיות של Black-Scholes וקרובות

פתרון PDEs מספרי על מחשבים קלאסיים דורש לעתים קרובות רשתות מרחביות עדינות ואבולוציות זמן ארוכות, מה שמוביל לעלות חישובית ושימוש בזיכרון גבוהים.

אלגוריתמים קוונטיים ל-PDEs מסתמכים בדרך כלל על הבאות:

• מיפוי PDEs למערכות גדולות של משוואות לינאריות
• פרוצדורות אלגברה לינארית קוונטית, כמו אלגוריתם HHL וגרסאותיו
• תהליכי עבודה היברידיים שבהם עיבוד מוקדם ועיבוד לאחר קלאסיים מקיפים ליבות קוונטיות

מבחינה תיאורטית, גישות קוונטיות מסוימות יכולות להציע האצות אקספוננציאליות או פולינומיאליות בתנאים ספציפיים (כמו הכנה ועיבוד מצב יעילים). בפועל, פתרון PDEs צפוי להיות יישום לטווח ארוך יותר, הקשור קשר הדוק להתקדמות בחישוב קוונטי סביל לשגיאות ואינטגרציה קוונטית-קלאסית עם מערכות מחשוב ביצועים גבוהים (HPC).

למידת מכונה

למידת מכונה קוונטית (QML) חוקרת כיצד מחשבים קוונטיים עשויים לשפר או להאיץ היבטים של למידת מכונה ניתוח נתונים. זה כולל הן:

• שימוש במחשבים קוונטיים לחקר בעיות סיווג עם התנהגות סיווג שונה מאלגוריתמים קלאסיים
• פיתוח מודלים חדשים שהם קוונטיים מטבעם

יישומים מוצעים כוללים:

• סיווג ואשכול
• שיטות גרעין ומיפויי מאפיינים
• פרוצדורות אופטימיזציה בתוך לולאות אימון

אלגוריתמי QML רבים מנצלים:

• Circuits קוונטיים פרמטריים כמודלים הניתנים לאימון
• טכניקות אופטימיזציה ווריאציוניות
• גרעינים קוונטיים הפועלים באופן מרומז במרחבי מאפיינים רב-ממדיים

אולם, למידת מכונה היא תחום מאתגר במיוחד ליתרון קוונטי. למידת מכונה קלאסית היא בשלה מאוד, ומודלים קוונטיים חייבים להתמודד עם נושאים כמו טעינת נתונים, רעש והרחבה.

כתוצאה מכך, המחקר הנוכחי מתמקד בתחומים אלה:

• זיהוי משטרים ספציפיים שבהם מודלים קוונטיים עשויים לעלות על מודלים קלאסיים
• חקירת QML כחלק מתהליכי עבודה היברידיים ולא כתחליפים עצמאיים
• הבנת ביטויות, קבילות ואחריות למידה של מודלים קוונטיים

למידת מכונה קוונטית נשארת תחום מחקר פעיל, עם השפעה פוטנציאלית לטווח ארוך — אבל גם שאלות פתוחות משמעותיות לגבי מתי ואיפה תצוץ יתרון מעשי.

סיכום

השיעור הזה הבהיר שיתרון קוונטי אינו עניין של החלפת מחשבים. מדובר בהרחבת מה שניתן לחשב. זהו אחד מהפרויקטים ההנדסיים השאפתניים ביותר שבני האדם ניסו. וכמו כל פרויקט שאפתני, הוא מבולגן, איטי, וגם מדהים.

אם אתה רוצה המשך על איך האלגוריתמים האלה עובדים בפועל, השיעור הבא יראה לך לאן ללכת מכאן בהתאם לתחומי העניין ויעדי הקריירה שלך.