وبینارهای سایکت

در وبینار قبلی درباره یادگیری ماشین کوانتومی صحبت کردیم؛ حوزه‌ای نوظهور که در سال‌های اخیر توجه زیادی را به خود جلب کرده است. از یک طرف، علاقه به فناوری‌های کوانتومی در حال افزایش است و این فناوری‌ها کم‌کم از فضای صرفا علمی فاصله می‌گیرند و به سمت کاربردهای عملی حرکت می‌کنند. از طرف دیگر، یادگیری ماشین و هوش مصنوعی به یکی از مهم‌ترین فناوری‌های آینده تبدیل شده‌اند و بسیاری از شرکت‌ها برای رقابتی ماندن، به سرمایه‌گذاری در این حوزه نیاز دارند. ترکیب این دو حوزه، یعنی کوانتوم و یادگیری ماشین، باعث شده یادگیری ماشین کوانتومی در صنعت IT مورد توجه قرار بگیرد؛ هرچند این توجه همیشه با چالش‌های علمی و پژوهشی این حوزه هم‌مسیر نیست. در این سخنرانی، ادامه مباحث وبینار قبلی را دنبال می‌کنیم و بررسی می‌کنیم که یادگیری ماشین کوانتومی در این سال‌ها چه مسیری را طی کرده است؛ کدام روش‌ها کمتر مورد توجه قرار گرفته‌اند و کدام رویکردها بیشتر جدی گرفته شده‌اند. همچنین دوباره مقایسه‌ای میان یادگیری ماشین کلاسیک و کوانتومی خواهیم داشت و چشم‌انداز ورود یادگیری ماشین کوانتومی به صنعت را بررسی می‌کنیم.

این سخنرانی به بررسی مرزهای اصلی «انقلاب دوم کوانتومی» از منظر سخت‌افزار کوانتومی می‌پردازد و بر این تمرکز دارد که آینده‌ی فناوری‌های کوانتومی چگونه شکل خواهد گرفت. در این ارائه، چشم‌اندازی آینده‌نگرانه از سه ستون بنیادی (محاسبات کوانتومی، ارتباطات کوانتومی و حسگری کوانتومی) به‌سوی زیرساخت‌های کوانتومی مقیاس‌پذیر و قابل‌استفاده‌ی عملی ارائه می‌دهم. در این چارچوب، نمونه‌هایی منتخب از پژوهش‌های سخنران گفته میشود؛ از جمله رابط‌های اسپین–فوتون در سیلیکون برای معماری‌های مقیاس‌پذیر محاسبات کوانتومی و شبکه‌های کوانتومی، منابع تک‌فوتونی مبتنی بر نانوذرات آلاییده به اربیوم برای ارتباطات کوانتومی در باند مخابراتی، و یک ذره‌ی ابررسانای معلق که به یک کیوبیت ابررسانا کوپل شده است؛ به‌عنوان بستری برای کنترل کوانتومی در مقیاس ماکروسکوپی و حسگری کوانتومی با حساسیت فوق‌العاده بالا.

رمزنگاری کوانتومی با این‌که از امنیت بالایی برخوردار است ولی دو چالش مهم مسافت انتقال و نرخ کلید کوانتومی را در پیش دارد. برای بهتر کردن این تکنولوژی باید از ابزارهای نظری و محاسباتی قدرتمندی استفاده کنیم که یکی از آنها شبکه‌های تانسوری به ویژه معماری چندمقیاسی (MERA) است که ساختاری کارآمد برای کدگذاری بهینه‌ی حالت‌های کوانتومی مواد، به‌ویژه در حالت‌های بحرانی است. در این سمینار نشان خواهیم داد که چگونه MERA می‌تواند به عنوان یک زبان ریاضی و الگوریتمی نوین، افق‌های تازه‌ای در رمزنگاری کوانتومی بگشاید. در پایان نیز به نقش سامانه‌های یون به‌دام‌افتاده به‌عنوان یکی از بسترهای عملی پیشرو برای پیاده‌سازی این شبکه‌ها اشاره خواهیم کرد.

Quantum dynamical simulations are computationally demanding, particularly for large systems and long-time evolutions. While quantum computing holds the potential to revolutionize this field, current quantum computers remain limited in scale, and algorithm development continues to present significant challenges. Artificial Intelligence (AI) has demonstrated remarkable success in diverse applications, including complex problem-solving and large-scale data analysis. Recent advances in AI, such as NVIDIA's universal function approximators, have enabled the development of AI applications capable of learning and replicating complex algorithmic behaviors. We propose leveraging AI to accelerate chemical design and quantum dynamical simulations. These AI applications can be trained on the inputs and outputs of quantum chemistry and dynamics algorithms, effectively replacing computationally expensive components. Furthermore, they can learn the scaling behavior of these algorithms, enabling extrapolation to larger systems. We present a proof-of-concept which demonstrates the potential of this approach. We successfully developed an AI application capable of generating vibrational wavefunctions for small molecules, such as CO₂, using only frequency and potential parameters as input.  This method bypasses the need for computationally intensive variational algorithms. This work highlights the promising synergy between quantum computing and AI in advancing the field of quantum dynamical simulations.

در میان چندین رویکرد برای ساخت بیت های کوانتومی، فناوری بیت ابررسانا شاهد پیشرفت چشمگیری در سالهای گذشته بوده است. این فناوری به لطف سرمایه گذاری دولت ها و بخش خصوصی به مرحله ای از بلوغ رسیده که هم اکنون چند تولید کننده در جهان در حال ارائه محصول خود در بازار هستند. در این ارائه، پس از مرور مبانی این فناوری، به بررسی وضعیت امروز آن و چالش ها و امید های پیش رو خواهیم پرداخت.

یادگیری ماشین کوانتومی یک حوزه نوظهور است که انتظارات بالایی را برانگیخته است. از یک سو، علاقه تجاری روزافزونی به فناوری‌های کوانتومی وجود دارد که در نقطه عطفی قرار دارند و به سمت ابزارهای عملی برای اجرای الگوریتم‌های کوانتومی و فراتر رفتن از حوزه صرفاً علمی حرکت می‌کنند. از سوی دیگر، یادگیری ماشین همراه با هوش مصنوعی به‌عنوان یک فناوری مرکزی آینده معرفی شده است که شرکت‌ها را مجبور می‌کند برای رقابتی ماندن در آن سرمایه‌گذاری کنند. ترکیب این دو جهان، به‌طور اجتناب‌ناپذیر علاقه قابل‌توجهی را به یادگیری ماشین کوانتومی در صنعت IT جلب می‌کند، علاقه‌ای که لزوماً با چالش‌های علمی که پژوهشگران تازه شروع به کشف آن کرده‌اند، هم‌سو نیست.

محاسبات کوانتومی یکی از شاخه‌های نوین علم کامپیوتر است که از اصول فیزیک کوانتومی برای پردازش اطلاعات استفاده می‌کند. این حوزه به دلیل توانایی‌های منحصر به فرد خود در حل مسائل پیچیده، توجه زیادی را به خود جلب کرده است. دو مدل اصلی در محاسبات کوانتومی عبارتند از مدل‌های مداری و مدل‌های آدیاباتیک. مدل‌های مداری خود به دو شاخه اصلی تقسیم می‌شوند: مدل مداری مبتنی بر گیت‌ها که در آن اطلاعات با استفاده از گیت‌های کوانتومی پردازش می‌شود، و مدل مداری مبتنی بر اندازه‌گیری‌ها که محاسبات از طریق اندازه‌گیری‌های کوانتومی انجام می‌شود. از طرف دیگر، مدل آدیاباتیک بیشتر برای مسائل بهینه‌سازی استفاده می‌شود و سیستم کوانتومی به تدریج به حالت بهینه خود می‌رسد. در این ارائه به بررسی این مدل‌ها، تفاوت‌ها و کاربردهای آن‌ها در محاسبات کوانتومی می‌پردازیم.

کامپیوترهای کوانتومی فوتونیکی کامپیوترهای کوانتومی تک-منظوره ای هستند که به تازگی مورد توجه برخی از شرکت های نوپا در جهان قرار گرفته اند. این کامپیوترها قادر به حل یک مساله ای بسیار سخت هستند، که باور عمومی محققان بر آن است که حل آن مساله از دسترس کامپیوترهای کلاسیک به دور می باشد. رایانش با چنین کامپیوترهایی، متفاوت از رایانش با کامپیوترهای کوانتومی همه-منظوره و برنامه پذیر است. در این ارائه ابتدا بطور مفصل به اساس رایانش با کامپیوترهای کوانتومی فوتونیکی می پردازیم، و سپس به طور اجمالی به وضعیت سخت افزارهای موجود کامپیوترهای کوانتومی فوتونیکی در جهان اشاره می کنیم. در انتهای ارزش سرمایه گذاری بر روی چنین کامپیوترهای کوانتومی را برای کشور ایران بررسی می کنیم.

در این ارائه، پس از بیان مبانی کامپیوترهای کوانتومی بر روی کامپیوترهای کوانتومی ابررسانایی متمرکز می شویم. ابتدا، اصول و عناصر اصلی الکترودینامیک کوانتومی مدار (cQED) را به عنوان پایه فهم فناوری کامپیوترهای کوانتومی ابررسانایی معرفی می کنیم. سپس، به مفهوم موجبرهای تشدیدگری و اتم‌های مصنوعی که سنگ بنای cQED هستند، پرداخته و نشان می‌دهیم چگونه این سازه‌ها می‌توانند رفتار کوانتومی از خود نشان دهند و محاسبات کوانتومی و پردازش اطلاعات را متحول کنند. همچنین، cQED را با با الکترودینامیک کوانتومی کاواک (CQED) مقایسه و مزایای آن را برجسته می کنیم. در ادامه، به بررسی کامپیوترهای کوانتومی ابررسانایی می‌پردازیم. این بستر امکان مهندسی کیوبیت‌ها با تغییر هندسه و توپولوژی مدارهای ابررسانایی و سهولت کنترل، خوانش و تنظیم‌پذیری آنها را فراهم می‌سازد. پس از معرفی مقدمات محاسبات کوانتومی گیت‌محور، به بررسی لایه کوانتومی و تصدیق ملاک‌های دیوینچنزو در بستر کامپیوترهای کوانتومی ابررسانایی پرداخته و انواع کیوبیت‌های ابررسانایی، روش‌های اعمال گیت تک و دو کیوبیتی و خوانش آنها را معرفی می‌کنیم. با پیگیری این ارائه، درک جامعی از کیوبیت‌های ابررسانایی و ایده‌های اصلی در کنترل و خوانش آنها به دست خواهید آورد.