داروین در خدمت کوانتوم: شبیه سازی های کوانتومی به کمک الگوریتم های ژنتیکی

همه ی ما با انتخاب طبیعی داروین آشنا هستیم. فرآیندی که طی آن، صفاتی که احتمال زنده ماندن یک ارگانیسم زنده را بیشتر می کنند، در نسل های متمادی، گسترش می یابند. حالا دانشمندان با الهام از این الگوریتم جالب که توضیح دهنده ی تکامل نظام زیستی است، تکنیک های بهینه سازی انعطاف پذیری را پیدا کرده اند. در واقع همانطور که طبق یافته های داروین، بقای اصلح در طبیعت، رخ می دهد، همین روش برای انتخاب بهترین راه حل برای یک مشکل پیدا می شود که این انتخاب با جستجوی مکرر و تکثیر نسل های سازگارتری از راه حل ها، انجام می شود. در ادامه با بررسی شبیه سازی های کوانتومی به کمک الگوریتم های ژنتیکی ، با دیپ لوک همراه باشید…

محققان دانشگاه باسک (واقع در بیلبائوی اسپانیا)، برای اولین بار، شبیه سازی های کوانتومی به کمک الگوریتم های ژنتیکی را انجام داده اند. آنها نشان دادند که الگوریتم های ژنتیکی می توانند خطاهای کوانتومی را کاهش دهند و حتی تکنیک های بهینه سازی موجود را بهبود بخشند. این پژوهش که گروه تحقیقاتی QUTIS مسول انجام آن بود، در آخرین شماره ی ژورنال Physical Review Letters منتشر شد.

شبیه سازی های کوانتومی به کمک الگوریتم های ژنتیکی

به طور کلی، شبیه سازی های کوانتومی می توانند تصویر واضح تری از دینامیک سیستم های پیچیده به ما بدهند. در واقع دینامیک این سیستم ها را به علت پیچیدگی زیاد، نمی توان با کامپیوترهای سنتی، درک و شبیه سازی کرد. در شبیه سازی های کوانتومی، رفتار یک سیستم، تخمین زده می شود.

شبیه سازی های کوانتومی دیجیتالی هم مانند سایر تکنولوژی های کوانتومی، با چالش های بسیار زیادی مواجه هستند. یکی از این چالش ها، از بین رفتن اطلاعات به علت واهمدوسی است. همانطور که بارها توضیح داده ایم، قبل از انجام اندازه گیری، یک سیستم کوانتومی در برهم نهی از چند حالت کوانتومی قرار دارد (به اصطلاح همدوس است) اما به محض اندازه گیری، سیستم به یک حالت می رمبد (کاهش می یابد) و سیستم واهمدوس بدست می آید.

دانشمندان برای جلوگیری از نابودی اطلاعات در شبیه سازی کوانتومی، از روش های اصلاح خطای کوانتومی استفاده می کنند. در این روش ها، اطلاعات حالت های درهم تنیده ی چندین کیوبیت با استفاده از گیت های (دروازه های) کوانتومی، ذخیره می شوند. برای مثال وقتی احتمال میدهید فایل های شخصی شما در کامپیوتر به دلایل مختلف، پاک شوند، آنها را در یک حافظه ی جانبی، ذخیره می کنید و به اصطلاح از آنها پشتیبان می گیرید. این دقیقا کاری است که دانشمندان برای جلوگیری از نابودی اطلاعات انجام می دهند . در این فرآیند پشتیبان گیری، حالت های کوانتومی، نقش فایل های شخصی شما و گیت های کوانتومی، نقش حافظه ی جانبی را بازی می کنند.

ذخیره سازی اطلاعات در یک حالت درهم تنیده، بسیار پیچیده است. برای سیستمی فقط با ۴ کیوبیت و ۷ گیت، تعداد آرایش های ممکن برای گیت ها، به تریلیون می رسد! حالا باید با یک روش بهینه، این آرایش ها را غربال کرده و بهترین آرایش یا معماری (که کمترین خطا را می دهد)، پیدا کنیم: کاری که دانشندان در این پژوهش انجام دادند. آنها ثابت کردند که الگوریتم های ژنتیکی می توانند بهترین آرایش گیت ها را برای شبیه سازی های کوانتومی دیجیتالی، تشخیص دهند.

در کنار کاهش خطاهای ناشی از واهمدوسی، الگوریتم های ژنتیکی می توانند، دو نوع دیگر از خطاهای شبیه سازی های کوانتومی دیجیتالی را هم کاهش دهند. یکی از خطاها، ناشی از کم بودن تعداد گام های طی شده برای تخمین این الگوریتم هاست و دیگری ناشی از ناکاملی های موجود در ساختار هر یک از گیت هاست.

ویژگی های الگوریتم های ژنتیکی

آنطور که محققان توضیح می دهند، یکی از دلایلی که چرا الگوریتم های ژنتیکی، بسیار خوب عمل می کنند، سازگارپذیری آنهاست. درست مثل انتخاب طبیعی که نسبت به تغییرات محیطی، سازگار می شود، الگوریتم های ژنتیکی به طور مداوم، با محدودیت های متفاوتی که به وسیله ی تکنولوژی های کوانتومی متفاوتی، تحمیل می شوند، سازگار می شوند.

الگوریتم های ژنتیکی با ویژگی های متفاوتی، مشخص می شوند: سازگارپذیری و قدرت. سازگارپذیری آنها باعث می شود تا برای یک تکنیک هوشمند و انعطاف پذیر، مسائل متفاوت را در بسترها و تکنولوژی های کوانتومی متفاوت، حل کنند. از طرفی، قدرت یا نیرومندی الگوریتم، راه حل هایی را به دست می دهد که نسبت به خطاها، حالت ارتجاعی دارند و به ما اجازه می دهند تا خطاهای دیگر را خنثی کنیم. به همین دلیل، این پژوهش، ابزار انعطاف پذیر جدیدی را در شبیه سازی های کوانتومی فراهم می کند که به ما اجازه می دهد منابع فیزیکی موردنیاز را با همان دقت قبلی، کاهش دهیم.

علاوه بر شبیه سازی های کوانتومی به کمک الگوریتم های ژنتیکی ، این الگوریتم ها قبلا در در بسیاری از زمینه های دیگر، استفاده شده اند: مثلا پیداکردن کارآمدترین معماری مدار الکتریکی، پیدا کردن جهتی از آینه که بیشترین مقدار نور خورشید را در یک سل خورشیدی، متمرکز کند،  طراحی آنتن هایی که به طور بهینه برای تشخیص انواع خاصی از سیگنال ها، تنظیم می شوند. شبیه سازی های کوانتومی به کمک الگوریتم های ژنتیکی برای بدست آوردن درک بهتری از فیزیک سیستم های پیچیده، مانند طراحی مواد شیمیایی نو و جدید، یا هوش مصنوعی و آموزش ماشین، تشخیص الگو (pattern recognition)، حل مسائل پیچیده در آیرودینامیک و نظریه های میدان کوانتومی، بسیار مفید باشند.

لینک مقاله اصلی