Στην παρούσα εργασία εισάγουμε μια νέα μέθοδο, η οποία είναι ο συνδυασμός της μεθόδου Διαγραμματική Monte Carlo (DMC) με μεθόδους Επιπέδου Ιστογράμματος, τη μέθοδο Επιπέδου Ιστογράμματος Διαγραμματική Monte Carlo" (FHDMC). Εφαρμόζοντας την FHDMC και άλλες εκδοχές της DMC σε συγκεκριμένο επιλύσιμο πρόβλημα, συγκεκριμένα το πρόβλημα του πολαρονίου Froehlich και για συγκεκριμένης μορφής διαγραμμάτων Feynman, υπολογίζουμε τη συνάρτηση Green φανταστικού χρόνου. Από τη σύγκριση των αποτελεσμάτων προκύπτει η υπεροχή της FHDMC ως προς την ποιότητα των αποτελεσμάτων και τον ευθύ τρόπο εφαρμογής της. Εφαρμόζουμε την FHDMC και άλλες εκδοχές της DMC για τον υπολογισμό της συνάρτησης Green φανταστικού χρόνου G(τ) σε επιλύσιμο πρόβλημα, που είναι το μοντέλο t-J στη γραμμική προσέγγιση των κυμάτων spin με περιορισμό των υπολογισμών στο χώρο των διαγραμμάτων Feynman που προσδιορίζονται με την μη τεμνόμενων διαγραμμάτων προσέγγιση (NCA, Non Crossing Approximation). Αντιστρέφουμε τα παραπάνω αποτελέσματα της G(τ) με την μέθοδο αναλυτικής συνέχισης ``Στοχαστική Αναλυτική Διαδικασία" (SAI) και προσδιορίζουμε τη φασματική συνάρτηση A(ω) για κάθε περίπτωση. Συγκρίνοντας τα αποτελέσματα της αντιστροφής με την ακριβή λύση για τη φασματική συνάρτηση, προκύπτει η σαφής υπεροχή της FHDMC έναντι των άλλων μεθόδων. Τέλος εφαρμόζουμε την FHDMC για υπολογισμούς της φασματικής συνάρτησης A(ω), της σχέσης διασποράς και του φασματικού βάρους του οιονεί σωματιδίου, χωρίς προσέγγιση για την κίνηση μιας οπής για το μοντέλο t-J και της παραλλαγής του t-J1-J2 στη γραμμική προσέγγιση των κυμάτων spin, όπου εμφανίζεται και το πρόβλημα του φερμιονικού πρόσημου. Διαπιστώνεται η υπεροχή της FHDMC για την αντιμετώπιση του προβλήματος του φερμιονικού πρόσημου, και αξιολογείται σε κάθε περίπτωση η ακρίβεια της προσέγγισης NCA.
Στην συγκεκριμένη εργασία ασχολούμαστε με την μελέτη θερμικά σύμπλεκτων (entangled) καταστάσεων πολλών κβαντικών bit (qubit) σε διάφορα μοντέλα Heisenberg με την μέθοδο Monte Carlo (MC). \nΑρχικά χρησιμοποιώντας τον μετασχηματισμό Suzuki-Trotter μετατρέπουμε την κβαντική μονοδιάστατη αλυσίδα των spin (μοντέλα Ising, Heisenberg με και χωρίς μαγνητικό πεδίο στις διευθύνσεις x,y,z) σε κλασικό δισδιάστατο πλέγμα. Εξετάζουμε την συμπεριφορά του συγκεκριμένου μετασχηματισμού για το αντισιδηρομαγνητικό Heisenberg ΧΧΧ μοντέλο, για το σιδηρομαγνητικό Heisenberg μοντέλο (ΧΧΧ και ΧΥΖ) χωρίς και με μαγνητικό πεδίο στις διευθύνσεις x,y,z για διάφορα μήκη της αλυσίδας, διαφορετικές διαστάσεις Trotter και διαφορετικό αριθμό Monte Carlo βημάτων (MCΒήματα). Μελετάμε την συμπεριφορά της θερμοχωρητικότητας, της ενέργειας, της μαγνητικής επιδεκτικότητας και της μαγνήτισης στις διευθύνσεις x,y,z. Επιβεβαιώνουμε την σωστή συμπεριφορά τους με βάση τα αναλυτικά αποτελέσματα. \nΤέλος γνωρίζοντας, ότι η κλασική συσχέτιση είναι το κάτω όριο της ποσότητας Localizable Entanglement, και ότι η ποσότητα Entanglement of Assistance είναι το πάνω όριο, εκτιμούμε για τα ίδια μοντέλα τη συμπεριφορά των ορίων και προσπαθούμε να εκτιμήσουμε το μήκος σύμπλεξης (Entanglement Length) για διάφορες θερμοκρασίες.
Μελετάται η σύνδεση μηχανικής μάθησης και κβαντικής επεξεργασίας πληροφορίας, με σκοπό την επίλυση προβλημάτων δυαδικής κατηγοριοποίησης με επιβλεπόμενη κβαντική μηχανική μάθηση. Συγκεκριμένα, μελετήθηκε και εφαρμόστηκε υπολογιστικά ένας κβαντικός αλγόριθμος, εμπνευσμένος από τις κλασικές μεθόδους kernel. Κατά τις εφαρμογές χρησιμοποιήθηκε η προσομοίωση κβαντικού υπολογιστή qasm-simulator και ο πραγματικός κβαντικός υπολογιστής ibm-5-yorktown που προσφέρει η IBM. Τα αποτελέσματα της προσομοίωσης ήταν πολύ ικανοποιητικά, δείχνοντας ότι ο αλγόριθμος δουλεύει με μεγάλη ακρίβεια. Αντίθετα, τα αποτελέσματα του πραγματικού κβαντικού υπολογιστή περιείχαν σφάλματα και διαφοροποιούνταν σημαντικά σε σχέση με την προσομοίωση.
Η παρούσα διπλωματική εργασία μελετά τη σύγκλιση της κβαντικής υπολογιστικής με την εξόρυξη δεδομένων και τη μηχανική μάθηση, με στόχο την υπέρβαση των περιορισμών της κλασικής αρχιτεκτονικής. Στη σύγχρονη εποχή των Μεγάλων Δεδομένων, η αυξανόμενη διαστατικότητα και ο τεράστιος όγκος της πληροφορίας οδηγούν στο φαινόμενο της «κατάρας της διαστατικότητας», ενώ το όριο ταχύτητας μεταφοράς δεδομένων της αρχιτεκτονικής Von Neumann δημιουργεί σημαντικά υπολογιστικά εμπόδια. Ως απάντηση σε αυτές τις προκλήσεις, η κβαντική υπολογιστική προσφέρει ένα νέο παραδειγματικό πλαίσιο, αξιοποιώντας θεμελιώδη φαινόμενα όπως η κβαντική υπέρθεση, η διεμπλοκή και η παρέμβαση, με την υπόσχεση της εκθετικής ή πολυωνυμικής επιτάχυνσης στην επεξεργασία πολύπλοκων προτύπων. Λόγω των περιορισμών του υλικού στη σύγχρονη εποχή των θορυβωδών κβαντικών συσκευών ενδιάμεσης κλίμακας (NISQ), η έρευνα επικεντρώνεται στην ανάπτυξη και αξιολόγηση υβριδικών κβαντικο-κλασικών αλγορίθμων. Στο πλαίσιο αυτό, εξετάζονται αναλυτικά οι κβαντικές Μηχανές Διανυσμάτων Στήριξης (QSVM) για προβλήματα επιβλεπόμενης ταξινόμησης και η Κβαντική Ανάλυση Κύριων Συνιστωσών μέσω παραμετροποιημένων κυκλωμάτων (VQPCA) για τη μη επιβλεπόμενη μείωση διαστατικότητας. Οι μέθοδοι αυτές μεταφέρουν το υπολογιστικά απαιτητικό τμήμα της ανάλυσης στον κβαντικό συνεπεξεργαστή, όπως τον υπολογισμό του κβαντικού πυρήνα σε εκθετικά μεγάλους χώρους Hilbert μέσω χαρτών χαρακτηριστικών, ενώ αναθέτουν την τελική βελτιστοποίηση των παραμέτρων σε κλασικούς αλγορίθμους. Η πειραματική αξιολόγηση των εν λόγω μοντέλων πραγματοποιήθηκε με χρήση του προγραμματικού πλαισίου Qiskit πάνω στο πραγματικό ιατρικό σύνολο δεδομένων Breast Cancer Wisconsin Diagnostic. Τα αποτελέσματα ανέδειξαν την υψηλή δύναμη των κβαντικών ταξινομητών, με το μοντέλο QSVM να επιτυγχάνει συνολική ορθότητα 94,74% και, κυρίως, εντυπωσιακή ανάκληση της τάξης του 98,59%. Το ποσοστό αυτό είναι κλινικά κρίσιμο, καθώς υποδηλώνει την ικανότητα του κβαντικού μοντέλου να ελαχιστοποιεί τις ψευδώς αρνητικές διαγνώσεις κακοηθών όγκων, υπερβαίνοντας παραδοσιακές δυσκολίες εντοπισμού μη γραμμικών συσχετίσεων. Παράλληλα, η προσομοίωση της VQPCA πέτυχε να προσεγγίσει την κύρια ιδιοτιμή του πίνακα συνδιακύμανσης με απόλυτο σφάλμα μόλις 0,003, επικυρώνοντας τη μαθηματική εγκυρότητα της κβαντικής εξαγωγής χαρακτηριστικών. Παρά τα υποσχόμενα αποτελέσματα, η πρακτική εφαρμογή της κβαντικής εξόρυξης δεδομένων προσκρούει σε σημαντικές τεχνολογικές προκλήσεις . Η κυριότερη αφορά το πρόβλημα της κωδικοποίησης των δεδομένων και την απουσία Κβαντικής Μνήμης Τυχαίας Προσπέλασης (QRAM), γεγονός που ακυρώνει θεωρητικά την επιτάχυνση της κβαντικής φόρτωσης. Επιπλέον, τα πειράματα κατέδειξαν την ακραία ευαισθησία των κβαντικών κυκλωμάτων στην κλιμάκωση των δεδομένων, καθώς η απουσία κατάλληλης κλασικής προεπεξεργασίας οδηγεί στο φαινόμενο της συγκέντρωσης πυρήνα (kernel concentration) και σε κατακόρυφη πτώση της ορθότητας. Συμπερασματικά, τεκμηριώνεται ότι η κλασική και η κβαντική υπολογιστική οφείλουν να λειτουργούν συμπληρωματικά, ανοίγοντας τον δρόμο για επαναστατικές εφαρμογές στην προσωποποιημένη ιατρική και την ασφαλή ανάλυση τεράστιων όγκων ετερογενούς ιατρικής πληροφορίας και όχι μόνο στο εγγύς μέλλον.
Με την ανάπτυξη της τεχνολογίας, οι κλασικοί υπολογιστές φαίνεται να φτάνουν στο όριο τους. Προκειμένου να καλυφθούν οι όλο και αυξανόμενες ανάγκες των ανθρώπων, είναι απαραίτητο να βρεθούν νέοι τρόποι αύξησης της υπολογιστικής ισχύς. Ο Richard Feynman ήταν από τους πρώτους που διαπίστωσε αυτό το φαινόμενο.Πρότεινε λοιπόν μια υπολογιστική διάταξη, η οποία εκμεταλλεύεται τις ιδιότητες της κβαντομηχανικής για την αύξηση της απόδοσης, τους κβαντικούς υπολογιστές. Οι κβαντικοί υπολογιστές εκμεταλλεύονται ιδιότητες όπως η υπέρθεση καταστάσεων, ο εναγκαλισμός, ο κβαντικός παραλληλισμός και η κβαντική παρεμβολή. Αναμένεται να μπορούν να λύσουν προβλήματα που απαιτούν τεράστια μνήμη αρκετά πιο γρήγορα από ένα κλασικό. Παρόλα αυτά, λόγω της περιπλοκότητας της ίδιας της φύσης της κβαντομηχανικής, μόνο λίγοι αλγόριθμοι έχουν βρεθεί οι οποίοι ξεπερνούν σε απόδοση τους αντίστοιχους κλασικούς. Αυτό συμβαίνει διότι δεν είμαστε σε θέση ακόμη να κατασκευάσουμε αποδοτικά κβαντικά κυκλώματα.Τα κβαντικά κυκλώματα αποτελούνται από πύλες οι οποίες δρούν στα qubits, μετασχηματίζοντας την κατάσταση του συστήματος, έως ότου φτάσουμε στο τελικό αποτέλεσμα. Η επιλογή όμως των πυλών που θα χρησιμοποιηθούν δεν είναι πάντα προφανής.Για αυτό το λόγο, απαιτείται μια μέθοδος εύρεσης αποδοτικών κυκλωμάτων, τα οποία θα είναι όσο πιο απλά και μικρά σε βάθος γίνεται. Στην παρούσα διπλωματική, αναπτύχθηκε Γενετικός Αλγόριθμος (ΓΑ) όπου εισάγοντας τον μοναδιαίο πίνακα της μοναδιαίας αναπαράστασης την οποία θέλουμε να προσεγγίσουμε, μας δημιουργεί το αντίστοιχο κύκλωμα. Ξεκινά δημιουργώντας ένα πληθυσμό από πιθανές λύσεις (κβαντικά κυκλώματα) και με τη δράση των φυσικών τελεστών συγκλίνουν όσο το δυνατόν περισσότερο στο βέλτιστο αποτέλεσμα. Στη συνέχεια, έγινε ανάλυση των τελικών αποτελεσμάτων, βελτιστοποιώντας τα τελικά κυκλώματα.