چرا هنوز کامپیوترهای کوانتومی کاربردی نداریم؟
چهار سال از معرفی برتری کامپیوترهای کوانتومی نسبت به کامپیوترهای معمولی توسط گوگل می‌گذرد، اما هنوز به نمونه‌های کاربردی این فناوری نرسیده‌ایم.
کامپیوترهای کوانتومی وعده‌ی حل مسئله‌های مشخصی را با سرعتی بالاتر از کامپیوترهای معمولی یا کلاسیک داده‌اند. به‌نقل از نیوساینتیست، گوگل در سال ۲۰۱۹ با رونمایی از کامپیوتر کوانتومی خود و اجرای محاسبات غیرممکن برای کامپیوترهای کلاسیک، مفهوم برتری کوانتومی را معرفی کرد.
بااین‌حال نوشتن فصل بعدی انقلاب کوانتومی با مشکلاتی روبه‌رو شده است. از زمان خبر جنجالی گوگل در سال ۲۰۱۹، گروه‌های دیگر هم ادعاهای مشابهی را مطرح کردند، اما در هر نمونه الگوریتم‌های بهبودیافته‌ی کامپیوترهای کلاسیک توانستند بر دستگاه‌های کوانتومی غلبه کنند یا حداقل تهدیدی برای آن‌ها باشند. با توجه به این نوسان‌ها، آیا می‌توان گفت کامپیوترهای کوانتومی پیشتاز خواهند شد؟
با اینکه در سال ۲۰۲۲ ثابت شد، کامپیوترهای کلاسیک نمی‌توانند در بازه‌ی زمانی منطقی نتیجه‌ی محاسبات کامپیوترهای کوانتومی را تولید کنند، پژوهشگرها به الگوریتمی جدید برای انجام آن دست پیدا کردند. رسیدن به برتری کوانتومی به‌صورت یک‌باره برای همه به تعداد کیوبیت‌ها یا بیت‌های کوانتومی به‌کاررفته و همچنین پیچیدگی برنامه‌نویسی آن‌ها موسوم به عمق مدار وابسته است. وقتی یک کامپیوتر در هر دو معیار به امتیاز بالایی برسد، نتایج آن دور از دسترس رایانش کلاسیک و الگوریتمی خواهند بود.
کامپیوترهای کوانتومی هنوز رقیب خوبی برای کامپیوترهای کلاسیک نیستند
درنهایت تعداد کیوبیت‌ها به‌اندازه‌ی کافی زیاد می‌شوند به گونه‌ای که هیچ الگوریتم کلاسیکی نمی‌تواند از آن سبقت بگیرد اما مشخص نیست در چه نقطه‌ای این اتفاق می‌افتد و گوگل هم دقیقاً در حال محاسبه‌ی این نقطه است.
نتیجه‌ی اولیه‌ی گوگل، وظیفه‌ای به نام نمونه‌برداری تصادفی مداری را نشان می‌دهد که شامل بررسی مقدار کیوبیت‌ها پس از انجام عملیات تصادفی است. گوگل برای انجام محاسبات از ۵۴ کیوبیت ابررسانا برای ۲۰ چرخه استفاده کرد. این مقادیر، طول مدت عملیات تصادفی را تعیین می‌کنند.
افزایش پیچیدگی
در آوریل امسال، پژوهشگرهای گوگل گام مشابهی را با ۷۰ کیوبیت و ۲۴ چرخه برداشتند. شاید این افزایش مقدار چندان زیاد به نظر نرسد، با این‌حال پیچیدگی کار را افزایش خواهد داد و گوگل هم امیدوار است این مقدار برای افزایش شکاف بین محاسبات کوانتومی و کلاسیک کافی باشد. محاسبات روی ماشین ۷۰ کیوبیتی برای بهترین ابرکامپیوترهای دنیا ۴۷ سال به طول می‌انجامد.
در شرایط فعلی، مشخصات فوق بهترین نمایش از برتری کوانتومی است؛ بااین‌حال فاصله‌ی زیادی از حالت ایده‌آل دارد. این کامپیوترها با مقداری نویز همراه بودند و به همین دلیل به‌سختی می‌توان بررسی کرد که کامپیوتر از ماهیت کوانتومی خود حداکثر استفاده را می‌برد و در برابر پیشرفت‌های کامپیوتر کلاسیک آسیب‌پذیر نیست. پژوهشگرهای گوگل در حال کار برای اثبات عملکرد وظایف کوانتومی و تأثیر نویز بر اندازه‌گیری‌ها هستند.
کامپیوترهای کوانتومی هنوز برای حوزه‌های کاربردی آماده نیستند
تا امروز دانشمندان از کامپیوترهای کلاسیک برای پیش‌بینی خروجی‌های ماشین کوانتومی استفاده می‌کرد و سپس به محاسبه‌ی تفاوت بین پاسخ‌های نهایی می‌پرداختند. هرچقدر این تفاوت بیشتر می‌شد، پیچیدگی بیشتری برای سیستم کوانتومی به دست می‌آمد؛ اما مشخص نبود که مقیاس فوق چه مقدار به ماهیت واقعی کامپیوتر کوانتومی وفادار است و در چه نقطه‌ای، نویز این اندازه‌گیری را بیهوده می‌سازد.
پژوهشگرهای دانشگاه علم و فناوری چین (USTC) هم برتری کوانتومی را با استفاده از ۵۶ کیوبیت از کامپیوتر کوانتومی ابررسانا موسوم به Zuchongzhi (زوچونگژی) نشان دادند که سخت‌افزاری مشابه کامپیوتر کوانتومی گوگل دارد، اما آن‌ها همچنین در حال کار روی طراحی متفاوتی از رایانش کوانتومی هستند که از فوتون‌ها برای کیوبیت‌ها استفاده می‌کند. این ماشین که جیوژانگ نامیده میشود، مزیت کوانتومی را ثابت کرده اما دارای چالش‌های منحصر‌به‌فردی است.
USTC مدعی است نتیجه‌ی جیوژانگ اصلی برای کامپیوترهای معمولی ۶۰۰ میلیون سال به طول می‌انجامد اما در سال ۲۰۲۲ گروهی از پژوهشگرها نشان دادند که می‌توانند محاسبات را تنها در چند ماه با کامپیوترهای معمولی انجام دهند. در ماه آوریل، USTC این مشکل را با نوع جدیدی از آشکارساز فوتون حل کرد و دوباره مدعی مزیت کوانتومی شد، اما روش منسجمی برای اثبات این برتری ارائه نداد.
مسائل کاربردی
با اینکه تیم USTC متمرکز بر اثبات برتری کوانتومی و درک عملکرد ماشین‌های کوانتومی هستند، هنوز هیچ کاربرد عملی برای برتری کوانتومی پیدا نشده است. در ماه فوریه پژوهشگرهای USTC مقاله‌ای درباره‌ی پیاده‌سازی نمونه‌برداری بوزونی بر مسئله‌های گراف منتشر کردند. این مسئله‌ها همچنین دربردارنده‌ی مسئله‌های ریاضی هستند که می‌توان در حوزه‌هایی مثل طراحی دارو و یادگیری ماشین از آن‌ها استفاده کرد.
با اینکه مؤلفان نتیجه گرفتند که نمونه‌برداری بوزونی می‌تواند به اجرای سریع‌تر برخی مسئله‌های گراف کمک کند، به مشکل مشابهی برخوردند و نتوانستند تشخیص دهند که آیا الگوریتم‌های کلاسیک می‌توانند ارتقای عملکرد مشابهی را داشته باشند.
پیاده‌سازی مسئله‌های جهان واقعی در کامپیوترهای کوانتومی و برعکس، نیازمند پژوهش‌های متعددی در سال‌های آینده است؛ بنابراین، به‌جای اینکه نقطه‌ای را برای برتری کامپیوترهای کوانتومی نسبت به دستگاه‌های کلاسیک تعیین کنیم، بهتر است زمینه‌های کاربردی آن‌ها را در نظر بگیریم.