Czy komputery kwantowe pozwolą nam złamać zasady fizyki?

Technologia kwantowa, komputery kwantowe i algorytmy probabilistyczne ewoluują. Co przyniosą? Mam nadzieję, że dużo dobrego. 

Staruszek komputer oparty na tranzystorach …

Współczesne procesory składają się z miliardów tranzystorów wielkości kilku nanometrów zgrupowanych na bardzo małej powierzchni. Według prawa Moore’a liczba tranzystorów w mikroprocesorze podwaja się mniej więcej co dwa lata. Niestety wzrost mocy obliczeniowych w procesorach uległ ostatnio spowolnieniu. Powoli osiągamy bowiem granice technologiczne “upakowania” coraz większej liczby tranzystorów na tak małych powierzchniach. Granica, której fizycznie przekroczyć się nie da, to tranzystor o rozmiarze pojedynczego atomu oraz pojedynczy elektron służący do przełączania jego stanu z 0 do 1.

… i jego młodszy brat, komputer kwantowy

W przypadku komputera kwantowego mówimy o wykorzystaniu stanu pośredniego, czyli wyjściu poza schemat dwóch przeciwnych wartości. Kubit (od bitów kwantowych) – bo tak się nazywa jednostka urządzeń kwantowych – może przyjmować jednocześnie wartość 0 i 1, a będąc precyzyjnym – może przyjmować nieskończoną liczbę stanów między 0 a 1. Taki stan nazywa się superpozycją. Dopiero podczas sprawdzenia wartości kubita, przyjmuje on jeden z dwóch stanów podstawowych – 0 lub 1. 

Wydaje się, że to mała różnica, jednakże kubit znajdujący się w stanie superpozycji może podczas obliczeń wykonywać wiele poleceń jednocześnie. Pomagają nam tu podstawowe zasady fizyki kwantowej. Fizycznie kubit może być reprezentowany przez dowolny układ kwantowy o dwóch różnych stanach podstawowych: na przykład spinu elektronu lub atomu, dwóch poziomów energetycznych w atomie, czy dwóch poziomów polaryzacji fotonu – pionową i poziomą.  

Ta całkowicie abstrakcyjna sytuacja nabiera realności, gdy zaczynamy mówić o użyciu komputera kwantowego. Potrafi on liczyć nawet setki tysięcy – a w założeniu miliony – razy szybciej od urządzeń zbudowanych w oparciu o zaawansowane podzespoły krzemowe! Idealne zastosowanie dla takiej maszyny to rozpoznawanie obiektów z ogromnego zasobu zdjęć, obliczenia na dużych liczbach, czy szyfrowanie i łamanie szyfrów. Operując na danych matematycznych, tę różnicę w wydajności między kwantowym a tradycyjnym komputerem możemy teoretycznie zwiększyć nawet do poziomu 1:18 000 000 000 000 000 000 razy!

Algorytmy probabilistyczne

Tworzenie algorytmów kwantowych jest bardzo trudne, bo muszą one być opracowywane w oparciu o zasady mechaniki kwantowej. Algorytmy wykonywane przez komputer kwantowy działająw oparciu o zasady prawdopodobieństwa(nazywamy je algorytmami probabilistycznymi). Oznacza to, że uruchamiając ten sam algorytm na komputerze kwantowym dwukrotnie, ze względu na losowość samego procesu, można otrzymać różne wyniki.Z tego wniosek, że – upraszczając – dla uzyskania wiarygodnych wyników obliczenia należy uwzględniać zasady prawdopodobieństwa. 

Brzmi to jak bardzo skomplikowany proces. I niestety tak jest. Komputery kwantowe nadają się do bardzo wyspecjalizowanych, określonych obliczeń – algorytmów, które pozwolą zaprzęgnąć całą ukrytą w nich moc. Najbardziej powszechne zastosowania algorytmów probabilistycznych to test Millera-Rabina do sprawdzania, czy liczba jest pierwsza (z szerokim zastosowaniem w kryptografii) oraz Quicksort, szybki algorytm sortowania liczb. To wszystko oznacza, że komputery kwantowe nie pojawią się na każdym biurku i w każdym domu. 

Jednak bez względu na to, ile czasu potrzebujemy na uzyskanie danego wyniku pracy algorytmu, możemy już dzisiaj wyobrazić sobie sytuację, w której do rozwiązania konkretnego problemu angażujemy maszynę kwantową. 

Matematyka, fizyka, astronomia … i łamanie szyfrów

Technologie kwantowe mogą znacząco wpłynąć na takie dziedziny nauki, jak  astronomia, matematyka czy fizyka. Komputery kwantowe mogą błyskawicznie przeszukiwać olbrzymie ilości danych – być może to jest główny powód, dlaczego służby specjalne i koncerny technologiczne wiele inwestują w tę technologię. Komputery kwantowe mogą być idealnymi narzędziami do łamania szyfrów. Algorytmy kryptografii asymetrycznej, wykorzystywane jako jeden z elementów ochrony połączeń przeglądarek internetowych i połączeń w aplikacjach bankowości mobilnej i internetowej, można by za ich pomocą błyskawicznie złamać. Jest to też potencjalnie pierwsza technologia, która zagrozi algorytmom kryptograficznym sieci blockchain i kryptowalutom, a raczej ich metodom kryptograficznym opartym na parze kluczy: publicznym i prywatnym. 

Chociaż moc komputerów kwantowych jest imponująca, nie oznacza to, że istniejące oprogramowanie działa po prostu miliard razy szybciej. Raczej komputery kwantowe są przeznaczone do rozwiązywania określonych typów problemów. 

Mądrzejsza sztuczna inteligencja

Podstawowym zastosowaniem komputerów kwantowych może być sztuczna inteligencja, a dokładniej uczenie maszynowe (machine learning). Sieci neuronowe będące fundamentem AI muszą być trenowane, nauczone określonych zachowań w oparciu o algorytmy i ogromne ilości danych. Oznacza to, w bardzo dużym uproszczeniu, że sieci neuronowe, mając do wyboru określone działanie jako wynik obliczeń algorytmu, kierują się również prawdopodobieństwem wystąpienia określonego pożądanego wyniku działania. Dostając informacje zwrotną o tym, czy wynik działania jest pożądany lub poprawny, automatycznie korygują swoje algorytmy tak, aby zwiększyć szansę wystąpienie działania pożądanego, poprawnego. 

Jest to przykład uczenia maszynowego w oparciu o informację zwrotną. Ten model działania opiera się w wielkim skrócie na obliczeniu prawdopodobieństwa wielu możliwych wyborów. Sztuczna inteligencja jest idealnym kandydatem do obliczeń kwantowych, gdzie elementy probabilistyczne są podstawą działania algorytmów komputerów kwantowych.  

Dobrym przykładem jest tu startup Rigetti. Zajmuje się on projektowaniem sieci neuronowych na komputerach kwantowych. Startup ten ogłosił niedawno zaprojektowanie algorytmu grupowania danych na komputery kwantowe. Algorytm ten w fazie testów okazał się szybszy w grupowaniu danych od algorytmów uruchamianych na tradycyjnych komputerach. Udało się to na komputerze kwantowym opartym na 19 kubitach. Jakie prędkości można osiągnąć na bardziej zaawansowanych maszynach? W przypadku komputerów kwantowych wzrost mocy obliczeniowej między 19 a np. 30 kubitami nie jest liniowy, ale wykładniczy. Istnieje wiele firm, wykorzystujących komputery kwantowe do algorytmów sztucznej inteligencji, ale ten przykład to jedna z pierwszych prób udanego połączenia sieci neuronowych i komputerów kwantowych.

Komputery kwantowe i sztuczna inteligencja mają również inną wspólną cechę: ogromną, wykładniczą skalowalność. Moc komputerów kwantowych jest mierzona w kubitach, przy czym najbardziej zaawansowane komputery kwantowe mają moc około 50 kubitów. Przy takiej mocy są one odpowiednikiem jednego superkomputera. Zwiększenie tej mocy do zaledwie 60 kubitów oznaczałoby przekroczenie mocy obliczeniowej wszystkich superkomputerów na świecie. 

Ogromne ilości danych

Quantum machine learning to najnowsza sfera badań naukowych i powstająca technologia, która próbuje wykorzystać moc komputera kwantowego, aby zwiększyć szybkość klasycznych algorytmów uczenia maszynowego.

Dzisiejsze systemy sztucznych inteligencji i ich algorytmy uczenia maszynowego są już zdolne do przetwarzania gigantycznych ilości informacji. Proces, w którym te algorytmy przeszukują bazy danych zyskałby na mocy obliczeń kwantowych.  Szacuje się, że za kilka lat takie algorytmy i moce komputerów kwantowych będą dostępne. Ale wtedy czeka nas nie tylko skokowy wzrost szybkości sieci neuronowych. Mówimy o wzrostach rzędu milionów razy.

Samoreplikująca się sztuczna inteligencja,  mogłaby – teoretycznie – skalować się wraz z rozbudową sprzętu czy sieci obliczeniowej w chmurze. Pozwalało by to sztucznej inteligencji tworzyć samodzielnie algorytmy o wiele bardziej złożone niż algorytmy które mógłby stworzyć człowiek. A wszystko to po to, by wykorzystać w pełni moc obliczeń kwantowych.

Na przykład, jeden z koncernów lotniczych planuje wykorzystać komputer kwantowy w celu testowania oprogramowania autopilota samolotu. Najnowsze modele zachowań sieci neuronowych i algorytmów, według których ten autopilot działa, są zbyt skomplikowane dla klasycznych komputerów. Komputery kwantowe są też wykorzystywane do projektowania oprogramowania, które może odnaleźć i oznaczyć pojazdy autonomiczne. 

Osiągnęliśmy już punkt, w którym sztuczne inteligencje tworzą nowe sztuczne inteligencje bez udziału człowieka. A wszystko to dzięki komputerom kwantowym i zasadom fizyki kwantowej, która jest fundamentem działania tych maszyn.

Kubity zaprzęgnięte do modelowania molekularnego

Innym przykładem wykorzystania komputerów kwantowych jest precyzyjne modelowanie interakcji między poszczególnymi molekułami w celu znalezienia optymalnych konfiguracji reakcji chemicznych. Chemii kwantowa jest tak złożona, że ​​na klasycznych komputerach można analizować tylko najprostsze molekuły i najprostsze zależności między nimi. 

To właśnie moc obliczeniowa komputerów znajdujących się w akademickich centrach przetwarzania danych decyduje o dokładności wykonywanych symulacji rozmaitych zjawisk, często na poziomie pojedynczych cząsteczek. W układach o dużej złożoności, zamiast tak jak obecnie stosować tylko uproszczone założenia do odwzorowywana interakcji pomiędzy molekułami lub zbiorami molekuł, po zaprzęgnięciu do pracy komputerów kwantowych będzie można w pełni odwzorowywać te interakcje w środowisku i przy założeniach zbliżonych do rzeczywistości. Będzie to możliwe dlatego, że reakcje chemiczne mają naturę kwantową, a komputery kwantowe dzięki swojej budowie i zasadom działania nie miałyby trudności z symulacją i oceną nawet najbardziej złożonych procesów molekularnych.

Modelowanie molekularne znajduje zastosowanie w nanotechnologii, do projektowania leków, poznawania struktur biologicznych, których sekwencja jest znana, a budowa i funkcja jeszcze nie, do poznawania dynamiki i termodynamiki związków chemicznych, czy w badaniach materiałowych. Zastosowań jest jednak znacznie więcej. Na razie główną przeszkodą w ich rozwoju jest limit mocy obliczeniowych tradycyjnych komputerów.

Na początku 2018 roku naukowcy z Instytutu Optyki Kwantowej i Informacji Kwantowej Uniwersytetu w Innsbrucku zastosowali algorytmy programowalnego systemu kwantowego do symulacji interakcji molekuł białek. W ramach opisywanego w „Nature” eksperymentu, zespół naukowców wykorzystał prostą wersję komputera kwantowego do testowania wpływu czynników zewnętrznych na poszczególne jony danej cząsteczki. W tym wypadku czynnikiem zewnętrznym była próba modyfikacji na poziomie molekuł, czyli próba stworzenia nowego związku chemicznego. Ta symulacja wykazała możliwość przeprowadzenia takiej ingerencji w środowisku rzeczywistym. Oznacza to możliwość budowy nowych, stabilnych cząstek. Symulator kwantowy doskonale sprawdził się w tym eksperymencie.  

Podstawy kryptografii do złamania

Wraz ze wzrostem możliwości komputerów kwantowych szeroko stosowane algorytmy szyfrowania staną się przestarzałe. Obecnie bezpieczeństwo szyfrowania danych zależy w znacznej mierze od trudności w faktoryzacji (czyli rozkładu) dużych liczb w liczby pierwsze. 

Algorytmy faktoryzacji – w celu złamania klucza prywatnego lub metody szyfrowania – muszą mozolnie dokonywać próby dzielenia przez kolejne liczby. Jest to co prawda zadanie wykonywalne na obecnie dostępnych superkomputerach, jednak kompletnie nieopłacalne.Szacuje się, że przy wykorzystaniu tradycyjnych komputerów, czas potrzebny do złamania 4096-bitowego klucza RSA przekraczałby czas, który upłynął od powstania naszej galaktyki! 

To sprawia, że ​​złamanie szyfru lub klucza jest kosztowne i niepraktyczne. Natomiast algorytm kwantowy pozwala na sprawdzenie wszystkich potencjalnych kombinacji jednocześnie i odczytanie prawidłowego rozwiązania w jednej chwili. Oznacza to, że powszechne dziś  algorytmy szyfrowania asymetrycznego, wykorzystując parę kluczy — publiczny oraz prywatny przestaną być bezpieczne i trzeba będzie znaleźć inne metody zabezpieczenia danych, transakcji czy dostępu do systemów. 

Możemy jednak spać spokojnie. Obecne osiągnięcia w praktycznym stosowaniu kwantowej faktoryzacji są bardzo skromne. Poza tym opracowywane są ciągle nowe metody szyfrowania asymetrycznego, które będą odporne na  możliwości komputerów kwantowych. 

Kwantowe finanse

Nowoczesne rynki finansowe tworzą jedne z najbardziej skomplikowanych ekosystemów na świecie. Choć powstało wiele skomplikowanych narzędzi matematycznych, które miały zarządzać tymi rynkami, ciągle są one nieefektywne. 

Dla każdego asset managera zarządzającego funduszem inwestycyjnym zaprojektowanie idealnie zoptymalizowanego portfela jest niespełnionym marzeniem. Za każdym razem, gdy dopasowuje on swój portfel inwestycyjny (rebalancing), zmieniając wagi składników portfela, kupuje lub sprzedaje aktywa w portfelu w celu utrzymania pierwotnego pożądanego poziomu alokacji aktywów. Przykładowo pierwotna docelowa alokacja aktywów w portfelu miała wynosić 50% akcji i 50% obligacji. Gdyby akcje w portfelu osiągnęły dobre wyniki w danym okresie czasu, mogłoby to zwiększyć wagę akcji portfela do 70%. Asset manager, żeby powrócić do zakładanych 50/50, powinien podjąć decyzję o sprzedaży części akcji i zakupie obligacji. Oznacza to straty wynikające z kosztów transakcyjnych, a na rynku, gdzie większość funduszy osiąga krótkoterminowo zyski jednocyfrowe, strata kilku procent kosztów transakcji w wyniku dopasowania portfela inwestycyjnego może oznaczać ogromne koszty. A taki proces dopasowania portfela może być wykonywany kilkakrotnie w okresie sprawozdawczym na takim portfelu. 

Komputery kwantowe mogą optymalizować portfolio inwestycji znacznie szybciej niż algorytmy wykorzystywane w tradycyjnych komputerach, nie wspominając o człowieku. 

To tylko jeden z przykładów na to, jak komputery kwantowe mogą poradzić sobie z poważnymi wyzwaniami, przed jakimi stoją zarządzający funduszami. Za kilka lat algorytmy kwantowe powinny być na tyle stabilne, by zastępować ludzi w projektowaniu i zarządzaniu portfelem inwestycyjnym. 

Na konferencji finansowej Singularity University w grudniu 2017 roku Andrew Fursman, CEO 1Qbit powiedział, że komputery kwantowe, które wykorzystują najbardziej podstawowe prawa natury, pojawiają się szybciej, niż nam się wydaje. A jednym z ich kluczowych zastosowaniach będą kwantowe finanse.

Kwantowa prognoza pogody

Główny ekonomista NOAA (National Oceanic and Atmospheric Administration), Rodney F. Weiher twierdzi, że prawie 30 procent amerykańskiego PKB, powiązanego z produkcją żywności, transportem i handlem detalicznym, jest bezpośrednio lub pośrednio powiązane z pogodą. Zdolność do lepszego przewidywania pogody przyniosłaby ogromną korzyść wielu branżom. 

Choć opracowanie wiarygodnych prognoz pogody jest od dawna celem naukowców, zasady rządzące aurą zawierają tak ogromną liczbą zmiennych i danych, że klasyczne symulacje komputerowe nie są w stanie przeprowadzić obliczeń i podać wyników w rozsądnych granicach czasowych. Mówiąc obrazowo, dla obecnych superkomputerów symulacja prognozy pogody na najbliższe 4 dni zajmuje 3 tygodnie. Nie jest to problem braku dostępu do danych czy złych algorytmów, ale mocy obliczeniowych. Jak wyjaśnia Seth Lloyd, naukowiec zajmujący się zastosowaniami komputerów kwantowych do prognozowania pogody: „Wykorzystanie klasycznego komputera do przeprowadzania takiej analizy może potrwać znacznie dłużej niż zmiana pogody za naszym oknem”. Zastosowanie komputerów kwantowych skróciłoby ten proces z tygodni do godzin. 

Chociaż fizyka kwantowa pod postacią komputerów kwantowych ma już teraz ogromny wpływ na obszary, które wymieniłem powyżej, z pewnością można sobie wyobrazić wiele innych jej zastosowań Technologia kwantowa i algorytmy kwantowe ewoluują. Co przyniosą? Mam nadzieję, że dużo dobrego. 

.    .    .

Cytowane prace

Intel, Over 50 years of Moore’s Law, link, 2018.

The Guardian, Ben Tarnoff, Weaponised AI is coming. Are algorithmic forever wars our future?, link, 2018. 

Science Alert, Dawid Niels, Google’s Quantum Computer Is 100 Million Times Faster Than Your Laptop, link, 2018. 

DI Management, RSA Algorithm, link, 2018. 

NOAA, National Oceanic and Athmospheric Administration,link, 2018. 

Bae Systems, Taranis, link, 2018. 

DARPA, Faster, Lighter, Smarter: DARPA Gives Small Autonomous Systems a Tech Boost, Researchers demo latest quadcopter software to navigate simulated urban environments, performing real-world tasks without human assistance, link, 2018. 

.    .   .

Powiązane artykuły

– Technologie które zmienią świat w 2019 roku

– Kto zyska a kto straci na rewolucji cyfrowej?

– Kiedy przestaniemy być biologicznymi ludźmi?

– Sztuczna inteligencja to nowa elektryczność

– Roboty czekają na sędziów