Kontext kvantového výpočetnictví

V následujícím videu tě Olivia Lanes provede obsahem této lekce. Případně si můžeš otevřít video na YouTube pro tuto lekci v samostatném okně.

Tento kurz jsi začal/a tím, že ses hned pustil/a do spouštění svého prvního kvantového obvodu a dozvěděl/a ses, jak jsou zákony kvantové mechaniky využívány k vytváření kvantových stavů, hradel a obvodů. Nyní se trochu oddalme. V této části budeme zkoumat kvantové výpočetnictví prostřednictvím různých rámců, které ti pomohou sledovat rozhovory, titulky a články o kvantovém výpočetnictví s kritičtějším pohledem.

Není pochyb o tom, že kolem kvantového výpočetnictví panuje velké nadšení a možnosti, které by tato technologie mohla nabídnout. Člověk by mohl jít dokonce tak daleko, že to nazvat „hype". Jak to bývá vždy, když je kolem nového objevu hype, může být těžké oddělit fakta od fikce. S tím na mysli je nejlepší začít tím, čím kvantové výpočetnictví není:

• Kvantové výpočetnictví nenahradí tradiční, klasické počítače — ani neskončí v „kvantovém mobilním telefonu"
• Není to způsob, jak „současně zkontrolovat všechny možné odpovědi najednou"
• Není to univerzálně lepší než klasické počítače pro všechny úkoly
• Není to ve válce s umělou inteligencí
• Není to zbytečné, dokud nedosáhneme odolnosti vůči chybám nebo opravy chyb
• Není to magie

Doufám, že tě to zcela neodradilo od tohoto kurzu nebo nepřimělo si myslet, že zde není nic hodnotného. Právě naopak! Kvantové výpočetnictví má potenciál být nesmírně mocné — ale jen pro určité aplikace. Naštěstí tyto aplikace zahrnují oblasti aktivního výzkumu, které by mohly zásadně změnit způsob, jakým přistupujeme k důležitým problémům, jako jsou simulace chemie, průzkum materiálů a analýza velkých datových souborů. Než prozkoumáme tyto oblasti aplikace, pojďme nejprve detailněji prozkoumat některé z těchto mylných představ.

Škálování

Další rozšířenou mylnou představou o kvantových počítačích je, že čím více qubitů mají, tím jsou výkonnější. I když to není nutně špatně, nezachycuje to celý obraz. Zatímco zvyšování počtu je jistě klíčovým prvkem, není o nic důležitější než kvalita samotných qubitů. Kvalita se měří různými způsoby, přičemž jedním z nejdůležitějších jsou časy koherence a dekoherence neboli $T_1$ a $T_2$. Jedná se o měření toho, jak dlouho může kvantová informace v qubitu zůstat stabilní. Když byly poprvé demonstrovány supravodivé qubity, toto číslo bylo v řádu nanosekund (Nakamura et al., 1999); dnes pravidelně vyrábíme qubity, které mají stabilní časy koherence stovky mikrosekund.

Dalším kritickým prvkem, na který se zaměřujeme při posuzování zlepšování kvantových počítačů, je rychlost. K měření rychlosti používáme něco, co se nazývá Circuit Layer Operations per Second (CLOPS). CLOPS zahrnuje jak čas na spuštění Circuit, tak i klasické výpočty v reálném čase a blízkém čase, což mu umožňuje sloužit jako ucelená jednotná míra rychlosti.

Všechny tři tyto prvky dohromady jsou nezbytné pro pokračování budování cesty k odolnému, univerzálnímu kvantovému počítači vůči chybám. Proto si při pohledu na plán IBM Quantum® všimneš, že některé skoky mezi procesory nemají obrovský nárůst počtu qubitů. Například si všimni skromného nárůstu qubitů mezi Heronem a Nighthawkem, protože to není skutečné zaměření tohoto zlepšení. Místo toho Nighthawk implementuje novou topologii propojení, která umožní různé kódy pro opravu chyb.

Oprava chyb vs. zmírnění chyb

Oprava chyb zůstává jedním z největších dlouhodobých cílů výzkumníků v kvantovém výpočetnictví. Je založena na předpokladu, že qubity budou vždy poněkud zašuměné a náchylné k chybám, a pokud chceme spouštět rozsáhlé algoritmy, jako je například Shorův, budeme potřebovat schopnost detekovat a opravovat tyto chyby v reálném čase. Existuje mnoho typů kódů pro opravu chyb a odkazujeme tě na jiné kurzy (jako je kurz Základy kvantové opravy chyb), pokud chceš do nich proniknout hlouběji.

Zmírnění chyb se naopak již pravidelně používá ke zlepšení výsledků kvantového výpočetnictví. Myšlenka za zmírněním chyb spočívá v tom, že přijímáme, že chyby se vyskytnou, a snažíme se předvídat jejich chování, abychom snížili jejich účinky. Existuje mnoho technik zmírňování chyb; mnohé vyžadují více spuštění na kvantovém počítači plus určité klasické následné zpracování. Je nepravděpodobné, že oprava chyb zcela nahradí zmírnění chyb. Místo toho předpovídáme, že obě budou použity společně k vrácení co nejlepších výsledků z kvantových počítačů.

Komponenty kvantového výpočetnictví

Dříve jsme zmínili, že je rozšířenou mylnou představou, že kvantové počítače jednou nahradí klasické počítače. To rozhodně není pravda; kvantové počítače a klasické počítače spolu ve skutečnosti neválčí, aby se navzájem nahradily. Ve skutečnosti, jak bylo uvedeno v předchozí části, kvantové počítače potřebují ke svému fungování klasické počítače, a to z různých důvodů. Když mluvíme obecně o „počítačích", obvykle předpokládáme, že zahrnují všechny komponenty, jako je CPU, RAM, paměť atd. Naproti tomu kvantový počítač nemá všechny tyto komponenty. Když lidé hovoří o kvantovém počítači, mají často na mysli QPU neboli Quantum Processing Unit, která přebírá zpracovací roli od CPU. QPU samo o sobě není počítačem pro obecné účely. Nespouští operační systém, nespravuje paměť ani neobsluhuje uživatelská rozhraní. Jeho jediná role spočívá v manipulaci s qubity podle pečlivě kontrolovaných kvantových operací před vrácením výsledků měření klasickému systému.

V praxi jsou dnešní kvantové počítače nejlépe chápány jako hybridní systémy. Klasický počítač orchestruje pracovní postup — připravuje vstupy, kompiluje kvantové obvody, plánuje úlohy a provádí následné zpracování výsledků — zatímco QPU provádí pouze kvantovou část výpočtu. I s postupem kvantového hardwaru se očekává, že tato dělba práce přetrvá, přičemž pokrok se zaměří na těsnější integraci a rychlejší komunikaci mezi klasickými systémy a QPU, nikoli na úplné odstranění klasických komponent.

Pravděpodobné oblasti aplikace kvantového výpočetnictví

Oblasti, ve kterých věříme, že kvantové výpočetnictví bude mít největší dopad, třídíme do čtyř kategorií: optimalizace, hamiltonová simulace, parciální diferenciální rovnice (PDR) a strojové učení.

Hamiltonova simulace

Toto téma se celé týká simulace kvantově mechanických procesů nacházejících se v přírodě. Jde v podstatě o dva široké úkoly: hledání energie základního stavu systému popsaného jeho Hamiltonianem, který kóduje celkovou energii a interakce v systému, a simulaci vývoje tohoto systému v čase (kvantová dynamika).

Toto je jedna z nejpřirozenějších oblastí aplikace kvantových počítačů: kvantové systémy jsou notoricky obtížné simulovat na klasických počítačích, protože velikost kvantového stavového prostoru roste exponenciálně s počtem částic. Naproti tomu kvantové počítače reprezentují kvantové stavy přímo, což je činí vhodnými — přinejmenším v principu — pro tyto typy problémů.

Klíčové oblasti aplikace zahrnují:

• Chemii a vědu o materiálech: předpovídání molekulární struktury, reakčních cest, vazebných energií a vlastností materiálů
• Fyziku kondenzované hmoty: studium silně korelovaných systémů, fázových přechodů a exotických kvantových stavů
• Fyziku vysokých energií a jadernou fyziku: modelování interakcí částic

Z dlouhodobého hlediska by pokroky v hamiltonově simulaci mohly umožnit:

• Přesnější objev léků a návrh katalyzátorů
• Objev nových materiálů pro baterie
• Hlubší vhled do základních fyzikálních jevů

Mnohé z nejstudovanějších kvantových algoritmů, jako je SQD, byly vyvinuty speciálně s ohledem na hamiltonovu simulaci. V důsledku toho je tato kategorie často považována za jeden z nejvědecky přesvědčivých a teoreticky podložených případů použití kvantového výpočetnictví.

Optimalizace

Optimalizační problémy spočívají v hledání nejlepšího řešení z velké sady možných řešení s ohledem na omezení. Tyto problémy se vyskytují v různých vědních oborech, technice a průmyslu a s rostoucí velikostí problému se stávají výpočetně obtížně zvládnutelnými.

Příklady zahrnují:

• Plánování a směrování (například dodavatelské řetězce, dopravní tok, letecký rozvrh)
• Optimalizace portfolia a řízení rizik (finance)
• Přidělování zdrojů a logistiku
• Kombinatorické problémy jako dělení grafů a max-cut

Mnohé optimalizační problémy jsou v teorii složitosti kategorizovány jako NP-těžké, což znamená, že klasické algoritmy se pro velké instance typicky spoléhají na heuristiky nebo aproximace. Protože qubity se chovají jinak než klasické bity, lze řešení modelovat odlišně. To by nám mohlo umožnit prozkoumávat prostory řešení rychleji nebo úplněji než klasické algoritmy.

Mezi běžné kvantové přístupy patří:

• Variační algoritmy, jako je Quantum Approximate Optimization Algorithm (QAOA)
• Hybridní klasicko-kvantové pracovní postupy, kde klasické řešiče vedou a zpřesňují kvantové podrutiny

I když stále zůstává otevřenou otázkou, kdy — nebo pro které problémy — kvantová optimalizace poskytne jasnou výhodu oproti nejmodernějším klasickým metodám, optimalizace zůstává hlavní oblastí zájmu díky své všudypřítomnosti a přirozenému mapování mezi optimalizačními cíli a kvantovými Hamiltoniany.

Parciální diferenciální rovnice (PDR)

Parciální diferenciální rovnice popisují, jak se fyzikální veličiny mění v prostoru a čase. Jsou základem mnoha nejdůležitějších modelů ve vědě a technice, včetně dynamiky tekutin, elektromagnetismu, přenosu tepla a finančního modelování.

Příklady zahrnují:

• Navier–Stokesovy rovnice pro proudění tekutin
• Schrödingerovu rovnici a vlnové rovnice
• Maxwellovy rovnice
• Black–Scholesovy a příbuzné finanční PDR

Numerické řešení PDR na klasických počítačích často vyžaduje jemné prostorové mřížky a dlouhé časové evoluce, což vede k vysokým výpočetním nákladům a využití paměti.

Kvantové algoritmy pro PDR se typicky opírají o následující:

• Mapování PDR na velké systémy lineárních rovnic
• Kvantové podrutiny lineární algebry, jako je HHL algoritmus a jeho varianty
• Hybridní pracovní postupy, kde klasické předzpracování a následné zpracování obklopují kvantová jádra

Teoreticky mohou určité kvantové přístupy nabídnout exponenciální nebo polynomiální zrychlení za specifických předpokladů (jako je efektivní příprava a čtení stavu). V praxi se očekává, že řešení PDR bude dlouhodobější aplikací, úzce svázanou s pokrokem v odolném kvantovém výpočetnictví vůči chybám a integrací kvantových-klasických systémů s vysoce výkonnými výpočetními (HPC) systémy.

Strojové učení

Kvantové strojové učení (QML) zkoumá, jak by kvantové počítače mohly zlepšit nebo urychlit aspekty strojového učení a analýzy dat. To zahrnuje obě následující oblasti:

• Použití kvantových počítačů k prozkoumání klasifikačních problémů s jiným klasifikačním chováním než klasické algoritmy
• Vývoj nových modelů, které jsou svou podstatou kvantové

Navrhované aplikace zahrnují:

• Klasifikaci a shlukování
• Jádrové metody a mapy příznaků
• Optimalizační podrutiny v rámci tréninkových smyček

Mnoho algoritmů QML využívá:

• Parametrizované kvantové obvody jako trénovatelné modely
• Variační optimalizační techniky
• Kvantová jádra, která implicitně operují ve vysoko-dimenzionálních prostorech příznaků

Strojové učení je však pro kvantovou výhodu obzvlášť náročná oblast. Klasické strojové učení je nesmírně vyspělé a kvantové modely musí čelit problémům jako je načítání dat, šum a škálování.

V důsledku toho se současný výzkum zaměřuje na tyto oblasti:

• Identifikaci konkrétních režimů, kde by kvantové modely mohly překonat klasické
• Průzkum QML jako součásti hybridních pracovních postupů spíše než samostatných náhrad
• Porozumění expresivitě, trénovatelnosti a generalizaci kvantových modelů

Kvantové strojové učení zůstává aktivní oblastí výzkumu s potenciálním dlouhodobým dopadem — ale také s výraznými otevřenými otázkami o tom, kdy a kde se praktická výhoda projeví.

Závěr

Tato lekce jasně ukázala, že kvantová výhoda nespočívá v nahrazení počítačů. Jde o rozšíření toho, co lze vypočítat. Je to jeden z nejambicióznějších inženýrských projektů, které lidstvo kdy podniklo. A jako všechny ambiciózní projekty je chaotický, pomalý a docela úžasný.

Pokud chceš navazující informace o tom, jak tyto algoritmy skutečně fungují, příští lekce ti ukáže, kam odsud jít podle tvých zájmů a kariérních cílů.