Κβαντικοί υπολογιστές, εισαγωγή και προσομοίωση του Κβαντικού Μετασχηματισμού Fourier

Δημήτριος Νταλαπέρας

Στην παρούσα διατριβή μελετήθηκε η δυνατότητα υλοποίησης συστημάτων κβαντικού υπολογισμού που βασίζονται σε εναλλακτικούς τύπους απεικόνισης κβαντικής πληροφορίας. Μελετήθηκαν δύο κύριες τεχνικές. Η πρώτη βασίστηκε σε αρχιτεκτονική πλέγματος άμεσης γειτνίασης, στην οποία προτάθηκε μηχανισμός εκτέλεσης κβαντικού υπολογισμού με τη χρήση ενός μόνο παλμού σε κάθε υπολογιστικό βήμα. Η εναλλακτική απεικόνιση βασίστηκε στη διαδικασία της τηλεμεταφοράς για την επίτευξη της επιθυμητής διάταξης των κβαντικών μπιτ. Το γεγονός ότι μόνο ένας παλμός εφαρμόζεται σε κάθε βήμα, μπορεί να μειώσει το λάθος που οφείλεται σε αλληλεπιδράσεις κβαντικών μπιτ λόγω διάχυσης του σήματος. Συνεπώς, αν μία υλοποίηση υποστηρίζει αποτελεσματικές πράξεις κβαντικής τηλεμεταφοράς, η μεθοδολογία μπορεί να οδηγήσει σε αρκετά σημαντική μείωση του συνολικού θορύβου. Στη δεύτερη τεχνική, χρησιμοποιήθηκαν τα ανώτερα ενεργειακά επίπεδα ενός κβαντικού μπιτ τύπου τρανσμόν (transmon) για την αποθήκευση κβαντικής πληροφορίας. Μέσω θεωρητικής απόδειξης και πειραμάτων που εκτελέστηκαν στους κβαντικούς επεξεργαστές της IBM Quantum Platform αποδείχθηκε ότι μπορεί να επιτευχθεί διεμπλοκή σε λογικό επίπεδο χρησιμοποιώντας τους βαθμούς ελευθερίας ενός μόνο συστήματος. Αυτό μπορεί να έχει ως αποτέλεσμα τη μείωση των αναγκαίων παλμών σύζευξης, που είναι η κύρια πηγή θορύβου στους σύγχρονους κβαντικούς επεξεργαστές.

Ιωάννης Θεοδώνης

Γίνεται όλο και πιο φανερό ότι η περίοδος που διανύουμε αποτελεί μια περίοδο άνθησης των κβαντικών υπολογιστών. Οι κβαντικοί υπολογιστές είναι πλέον ελεύθερα διαθέσιμοι για την εκτέλεση κβαντικών αλγορίθμων που έχουν υλοποιηθεί σε Python με τη χρήση των βιβλιοθηκών ανοιχτού κώδικα Qiskit που έχει αναπτύξει η ΙΒΜ. Η εκπαιδευτική μας πρόταση αποτελείται από: α)Σημειωματάριο Jupyter το οποίο οι εκπαιδευόμενοι έρχονται άμεσα σε επαφή με τις αρχές των κβαντικών υπολογιστών μέσω παραδειγμάτων κα κβαντικών αλγορίθμων με τη χρήση της γλώσσας κβαντικού προγραμματισμού Qiskit της IBM, β)διάλεξη-παρουσίαση και συζήτηση του προαναφερθέντος σημειωματάριου με παράλληλη εργαστηριακή άσκηση των εκπαιδευομένων και γ) ασκήσεις με προτεινόμενες λύσεις. Θα γίνει εισαγωγή στο κβαντικό μπιτ (qubit), στις κβαντικές πύλες, στα κβαντικά κυκλώματα και θα παρουσιαστεί ως παράδειγμα υπεροχής των κβαντικών υπολογιστών, ο αλγόριθμος υπέρπυκνης κωδικοποίησης.

Ioannis G. Karafyllidis, Ιωαννησ Καραφυλλιδησ

ΚΒΑΝΤΙΚΟΙ ΥΠΟΛΟΓΙΣΤEΣ [ΔΗΜΟΚΡΙΤEΙΟ ΠΑΝEΠΙΣΤΗΜΙΟ ΘΡΑΚΗΣ, ΣΧΟΛΗ ΠΟΛΥΤEΧΝΙΚΗ, ΤΜΗΜΑ ΗΛEΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ Η/Υ]

细明 方, 芒 冯, 希安 毛 +2 more

Maria Avramouli

Τα φάρμακα μέσω της αλληλεπίδρασης τους κυρίως με συγκεκριμένες πρωτεΐνες-στόχους, ρυθμίζουν βιοχημικά μονοπάτια και φυσιολογικές λειτουργίες με στόχο την πρόληψη και τη θεραπεία των διαφόρων ασθενειών. Το αυξανόμενο κόστος και οι μακροχρόνιοι περίοδοι ανάπτυξης των νέων φαρμάκων αποτελούν σημαντική πρόκληση για τη φαρμακοβιομηχανία. Σύμφωνα με πρόσφατα δεδομένα, το 92.5% των υποψηφίων φαρμάκων αποτυγχάνει. Αυτό οδηγεί σε σημαντική απώλεια πόρων και χρόνου με το μέσο συνολικό κόστος ανάπτυξης ενός φαρμάκου να ανέρχεται στα 879.3 εκατομμύρια δολάρια και τον μέσο χρόνο ανάπτυξης του στα 15 χρόνια. Το κόστος της ανάπτυξης νέων φαρμάκων αναμένεται να συνεχίσει να αυξάνεται στο μέλλον, γεγονός που κάνει επιτακτική την ανάγκη εύρεσης νέων προσεγγίσεων που θα μειώσουν το κόστος και τον χρόνο ανάπτυξης. Τα τελευταία χρόνια, η μηχανική μάθηση έχει συνεισφέρει σημαντικά προς αυτή την κατεύθυνση. Επιπλέον, η μεγάλη αύξηση των διαθέσιμων βιολογικών δεδομένων έχει βοηθήσει τις μεθόδους βαθιάς μάθησης να επιδείξουν ανώτερες επιδόσεις σε σύγκριση με τη συμβατική μηχανική μάθηση και άλλες παραδοσιακές υπολογιστικές μεθόδους. Ωστόσο, οι μέθοδοι αυτές είναι πολύπλοκες και χρονοβόρες, γεγονός που αποτελεί σημαντικό εμπόδιο στην πρακτική εφαρμογή τους. Στο πλαίσιο αυτό, η κβαντική υπολογιστική και η κβαντική μηχανική μάθηση προσφέρουν θεωρητικά υποσχόμενες λύσεις για την αποτελεσματική αντιμετώπιση αυτών των προκλήσεων. Η παρούσα διατριβή πραγματεύεται τη κλασική μηχανική μάθηση και την κβαντική υπολογιστική, καθώς και τον τρόπο με τον οποίο αυτά τα πεδία μπορούν να συνδυαστούν αποτελεσματικά, στη δημιουργία ενός νέου ερευνητικού πεδίου αυτό της κβαντικής μηχανικής μάθησης. Επιπλέον, στη συγκεκριμένη εργασία παρουσιάζονται αναλυτικά οι εφαρμογές της κβαντικής μηχανικής μάθησης στο πεδίο της ανακάλυψης φαρμάκων. Η πρόβλεψη της συγγένειας πρόσδεσης φαρμάκων σε πρωτεΐνες-στόχους, είναι ένα από τα πιο σημαντικά θέματα στην ανακάλυψη φαρμάκων. Παρουσιάζουμε τους κλασικούς αλγόριθμους μηχανικής μάθησης που προβλέπουν τη συγγένεια πρόσδεσης και συζητάμε διάφορα θέματα όπως η αναπαράσταση των δεδομένων. Προτείνουμε υβριδικά κβαντο-κλασικά νευρωνικά δίκτυα για την πρόβλεψη της συγγένειας πρόσδεσης πρωτεΐνης-στόχου και πιθανού φαρμάκου καθώς και ένα πλαίσιο υλοποίησης και αξιολόγησης κλασικών και υβριδικών κβαντο-κλασικών νευρωνικών δικτύων. Αρχικά, σχεδιάζουμε ένα μεταβλητό κβαντικό αλγόριθμο για την πρόβλεψη τιμών και ένα κλασικό συνελικτικό νευρωνικό δίκτυο μιας διάστασης για την παράλληλη εξαγωγή χαρακτηριστικών των πρωτεϊνών και των φαρμάκων. Διατηρώντας το κλασικό συνελικτικό νευρωνικό δίκτυο σταθερό, υλοποιούμε διάφορα κλασικά και υβριδικά κβαντο-κλασικά μοντέλα. Στην κλασική προσέγγιση, υλοποιούνται τρία κλασικά τμήματα πρόβλεψης διαφορετικών πολυπλοκοτήτων χρησιμοποιώντας τρία πλήρως συνδεδεμένα στρώματα. Ενώ στην υβριδική προσέγγιση, υλοποιούνται πέντε κβαντικά τμήματα πρόβλεψης, συνδυάζοντας τον μεταβλητό κβαντικό αλγόριθμο πρόβλεψης, με διαφορετικές κβαντικές κωδικοποιήσεις, και με κβαντικά κυκλώματα διαφορετικών qubits. Τα πειράματα εκτελέστηκαν σε προσομοιωτή και τα ευρήματά μας δείχνουν σαφώς ότι τα υβριδικά κβαντο-κλασικά μοντέλα με χαμηλότερη πολυπλοκότητα αποδίδουν βελτιωμένη ακρίβεια και γενίκευση, επιδεικνύοντας το κβαντικό πλεονέκτημα. Επιπλέον, τα υβριδικά μοντέλα επιταχύνουν τη διαδικασία εκπαίδευσης όσον αφορά τις επαναλήψεις και επιτυγχάνουν ταχύτερη σταθεροποίηση. Τα ευρήματα υποδεικνύουν ότι η κβαντική μηχανική μάθηση αποτελεί μια υποσχόμενη κατεύθυνση. Τέλος, η παρούσα διατριβή παρέχει σημαντικές γνώσεις και μεθοδολογίες που μπορούν να βελτιώσουν την εφαρμογή και την αξιολόγηση των τεχνικών κβαντικής μηχανικής μάθησης, ενισχύοντας την πρακτική εφαρμογή τους σε κβαντικές θορυβώδες- ενδιάμεσης κλίμακας συσκευές.

Ioannis G. Karafyllidis, Ιωαννησ Καραφυλλιδησ

ΚΒΑΝΤΙΚΟΙ ΥΠΟΛΟΓΙΣΤEΣ [ΔΗΜΟΚΡΙΤEΙΟ ΠΑΝEΠΙΣΤΗΜΙΟ ΘΡΑΚΗΣ, ΣΧΟΛΗ ΠΟΛΥΤEΧΝΙΚΗ, ΤΜΗΜΑ ΗΛEΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ Η/Υ]