رایانه های کوانتومی

شبکه های عصبی قادر به یادگیری راهبردهای تصحیح خطا برای رایانه های مبتنی بر فیزیک کوانتوم هستند؛محققان یک سیستم تصحیح خطای کوانتومی ارائه می دهند که قادر به یادگیری با استفاده از هوش مصنوعی است. رایانه های کوانتومی می توانند وظایف پیچیده ای فراتر از توانایی های رایانه های معمولی را انجام دهند.

با این حال، آنها به شرایط محیطی بسیار حساس هستند.برنامه شرکت های بزرگ برای بهره مندی از رایانه های کوانتومی به این شکل است که با استفاده از حفاظت محیطی استاندارد و بر اساس اصلاح خطای کوانتومی رفتار کنند. فلورین مارکارت، مدیر موسسه ماکس پلانک فعال در علوم نور به همراه تیم خودش، اکنون یک سیستم تصحیح خطا کوانتومی ارائه داده است که قادر به یادگیری با استفاده از هوش مصنوعی است.

در سال ۲۰۱۶،برنامه کامپیوتری AlphaGo چهار بازی از پنج بازی سبک Go را در مسابقات بهترین بازیکن های جهان به دست آورد. با توجه به اینکه سبک بازی های Go دارای ترکیبی از حرکت های زیادی است، تعداد پروسه های در حال اجرا برای حرکت های ممکن را، به تعداد اتم های کره زمین تخمین می زنند! در عوض، AlphaGo از شبکه های عصبی مصنوعی استفاده می کند که می توانند الگوهای بصری را تشخیص دهند و حتی قادر به یادگیری هستند.

بر خلاف یک انسان، این برنامه قادر به تمرین صدها هزار بازی در یک زمان کوتاه هستند و در نهایت از بهترین بازیکن انسانی هم بهتر خواد بود. در حال حاضر، تحقیقاتی مبتنی بر ارلانگن پیرامون شبکه های عصبی در حال انجام است تا خود برنامه بتواند  روش یادگیری اصلاح خطا را برای یک کامپیوتر کوانتومی توسعه دهند.

شبکه عصبی مصنوعی

شبکه عصبی مصنوعی برنامه های کامپیوتری هستند که رفتار سلول های عصبی مرتبط (نورون ها) را تقلید می کنند؛ در مورد تحقیقات در ارلانگن، حدود دو هزار عصب مصنوعی به یکدیگر متصل می شوند. فلورین مارکاردت توضیح می دهد: “ما آخرین ایده ها را از علم کامپیوتر به دست می آوریم و آنها را به سیستم های فیزیکی اعمال می کنیم. با انجام این کار، ما از پیشرفت سریع در زمینه هوش مصنوعی سود می بریم.”

شبکه های عصبی مصنوعی می توانند از دیگر راهبردهای اصلاح خطا فراتر رود

همانطور که در مقاله های اخیر  توماس فسل، دانشجوی دکترا در موسسه ماکس پلانک در ارلانگن بیان شده است،اولین بخش از نرم افزار، رایانه های کوانتومی هستند؛ در این مقاله، تیم نشان می دهد که شبکه های عصبی مصنوعی با معماری الهام گرفته از AlphaGo قادر به یادگیری هستند. یکی از کاری هایی که برای تعامل با کامپیوترهای کوانتومی آینده ضروری است، اصلاح خطوط کوانتومی است. حتی چشم انداز وجود دارد که با آموزش کافی، این روش از سایر راهبردهای اصلاح خطا فراتر خواهد رفت.

برای درک بیشتر این مفاهیم، باید به نحوه کار رایانه کوانتومی نگاه کنید. اساس اطلاعات کوانتومی بیت کوانتوم یا qubit است. برخلاف بیت های دیجیتال معمولی، یک کیوبیت می تواند نه تنها دو حالت صفر و یک، بلکه می تواند هر دو حالت را نیز اتخاذ کند.
در یک پردازنده کامپیوتری کوانتومی، حتی کیوبیت های چندگانه به عنوان بخشی از حالت مشترک قرار می گیرند.
این پیچیدگی قدرت پردازش فوق العاده ای از رایانه های کوانتومی را برای حل برخی از کارهای پیچیده که در آن رایانه های معمولی محکوم به شکست هستند، توضیح می دهد. مشکل این موضوع این است که اطلاعات کوانتومی به شدت نسبت به نویز از محیط آن حساس هستند.

این مشکل و دیگر ویژگی های دنیای کوانتومی به این معنی است که اطلاعات کوانتومی نیاز به تعمیرات منظم دارد ؛ یعنی اصلاح خطای کوانتومی. با این حال، عملیات هایی که باید اجرا شوند، نه تنها پیچیده هستند، بلکه باید اطلاعات کوانتومی خود را نیز دست نخورده باقی بگذارند.

اصلاح خطای کوانتومی شبیه بازی Go با قوانین عجیب و غریب آن است

فلورین مارکاردت می گوید: “شما می توانید عناصری از یک کامپیوتر کوانتومی را به عنوان یک هیئت مدیره تصور کنید، که به ایده اصلی در پشت پروژه می پردازند؛ کیوبیت ها در سراسر تخته مانند قطعات توزیع شده هستند. تفاوت های کلیدی خاصی از یک بازی معمولی Go وجود دارد: همه قطعات در حال حاضر در اطراف هیئت مدیره توزیع شده اند، و هر یک از آنها در یک طرف سفید و رنگ سیاه از متعلق به طرف مقابل است. یک رنگ مربوط به حالت صفر و رنگ دیگر مربوط به حالت یک است، و حرکت کوانتومی در بازی شامل چرخاندن قطعات کیوبیت است. با توجه به قوانین دنیای کوانتومی، قطعه ها نیز می توانند رنگ های مخلوط خاکستری را به دست آورند، که بیانگر انعطاف و درهم آمیختن حالت های کوانتومی است.