Η εκπόνηση της παρούσας διατριβής αφορά το πεδίο της Βελτιστοποίησης Αλγορίθμων και πιο συγκεκριμένα με το πεδίο της συνδυαστικής βελτιστοποίησης. Στην ουσία πραγματεύεται τη διερεύνηση μεθευρετικών μεθόδων που βασίζονται σε συμβατικές ή μη συμβατικές, εμπνευσμένες από τον κβαντικό υπολογισμό τεχνικές με σκοπό την εφαρμογή τους σε αλγόριθμους βελτιστοποίησης για την επίλυση προβλημάτων από τον πραγματικό κόσμο. Πιο συγκεκριμένα, παρουσιάζουμε την κβαντικά εμπνευσμένη μεθευρετική μέθοδο qGVNS (quantum General Variable Neighborhood Search), την οποία χρησιμοποιούμε για να επιλύσουμε το πρόβλημα του πλανόδιου πωλητή (Travelling Salesman Problem, TSP εν συντομία) όπως επίσης και το πρόβλημα του πλανόδιου πωλητή με χρονικά παράθυρα (Travelling Salesman Problem with Time Windows, TSPTW εν συντομία). Ο τελικός σκοπός είναι η επίλυση ρεαλιστικών προβλημάτων από τον πραγματικό κόσμο που έχουν μοντελοποιηθεί σαν προβλήματα βελτιστοποίησης (TSP ή TSPTW) χρησιμοποι-ώντας τις μη συμβατικές μεθευρετικές μεθόδους που αναπτύξαμε. Το πρόβλημα του πλανόδιου πωλητή χρησιμοποιείται ως σημείο αναφοράς σε πολλές μεθόδους βελτιστοποίησης και έχει πλήθος εφαρμογών σε πολλές και διαφορετικές περιοχές, όπως στην τεχνητή νοημοσύνη, την βιοπληροφορικη, την βέλτιστη αναζήτηση διαδρομών και αλλού. Σε αυτή τη διατριβή διερευνούμε ιδιαίτερα την εκδοχή του TSP προβλήματος, που αποτελείται από κάποιους επιπρόσθετους περιορισμούς, όπως τα χρονικά παράθυρα (time windows). Η εκδοχή αυτή είναι γνωστή ως TSPTW (Travelling Salesman Problem with Time Windows). Με βάση το πρόβλημα του πλανόδιου πωλητή (TSP) αλλά και το πρόβλημα του πλανόδιου πωλητή με χρονικά παράθυρα (TSPTW) επιλύσαμε το πρόβλημα περισυλλογής απορριμάτων από τον πραγματικό κόσμο, σε δύο διαφορετικές εκδοχές του. Το απλό πρόβλημα της περισυλλογής των απορριμάτων όπως και το πρόβλημα περισυλλογής των απορριμάτων με χρονικά παράθυρα. Συνεχίζοντας, πραγματοποιήσαμε αναλυτική και διεξοδική συγκριτική μελέτη απόδοσης ανά-μεσα στην νέα κβαντικά εμπνευσμένη μέθοδο που προτείναμε και σε άλλες συμβατικές μεθόδους. Η παρούσα διατριβή ολοκληρώνεται με την παρουσίαση μερικών βασικών σημείων και βιβλιογραφίας σχετική με την κβαντική βελτιστοποίηση και την κβαντική ανόπτηση (quantum annealing).
Η Κβαντική Πληροφορία είναι μια ιδιότητα των κβαντικών συστημάτων που σχετίζεται με την κβαντομηχανική επαλληλία και την συσχέτιση των συστημάτων σε Ενδιαπλοκή. Λόγω της αλληλεπίδρασης με το κλασικό περιβάλλον η Ενδιαπλοκή χάνεται ταχύτατα με συνέπεια να περιορίζεται δραματικά η πρακτική της χρησιμότητα. Πραγματοποιήθηκε διερεύνηση διαφόρων διατάξεων κβαντικών συστημάτων είτε σε αλληλεπίδραση με άλλα συστήματα είτε μεμονωμένων, αλλά με την συνθήκη το αντίστοιχο κλασικό μη γραμμικό σύστημα να είναι χαοτικό ή ολοκληρώσιμο. Ερευνητικά αποτελέσματα: 1. Ο ρυθμός μεταβολής της Ενδιαπλοκής με την μεταβολή μιας παραμέτρου σύζευξης φράσσεται από την καμπυλότητα των ενεργειακών επιπέδων. Το αποτέλεσμα έχει γενική ισχύ, διότι βασίζεται σε γενικές ιδιότητες των τυχαίων πινάκων που κωδικοποιούν την χαοτική ή την κανονική συμπεριφορά των συστημάτων,2. Ο ρόλος της λεπτομερούς δομής του κλασικού χώρου των φάσεων. Ερευνήθηκε η εξάρτηση της Ενδιαπλοκής από την τιμή παραμέτρου σύζευξης σε σχέση με το διάγραμμα διακλαδώσεων του Βηματικού Στρόβου, καθώς και σε σχέση με την ύπαρξη Κβαντικών Ουλών, 3. Η μη γραμμικότητα συστημάτων σε συνδυασμό με την παρουσία εξωτερικών πεδίων μπορεί να οδηγήσει σε βέλτιστες τιμές ορισμένων παραμέτρων που ευνοούν την δημιουργία Ενδιαπλοκής θερμικά. Μελετήθηκε κατάλληλο μοντέλο, 4. Κβαντικός δίαυλος βρίσκεται σε αλληλεπίδραση με το τοπικό περιβάλλον. Οι ιδιότητες του τοπικού περιβάλλοντος (χάος ή κανονικότητα) μπορούν να επηρεάσουν τις δυνατότητες του διαύλου, 5. Ένα ανοικτό κβαντικό σύστημα αλληλεπιδρά με τοπικό κβαντικό περιβάλλον λίγων βαθμών ελευθερίας, καθώς και με ένα ολικό Μαρκοβιανό περιβάλλον και τελικά προκαλείται απώλεια κβαντικής συνάφειας. Διερευνήθηκε, αριθμητικά, ο τρόπος με τον οποίο, οι κλασικές ιδιότητες του τοπικού περιβάλλοντος επηρεάζουν τον ρυθμό απώλειας συνάφειας του συστήματος.
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.