رایانه‌های کلاسیک اطلاعات را در واحدهایی به نام بیت ذخیره می‌کنند که هر بیت تنها یکی از دو مقدار صفر یا یک را می‌گیرد. رایانه‌های کوانتومی از واحدی به نام کیوبیت (Qubit) استفاده می‌کنند که رفتار آن بر پایه قوانین مکانیک کوانتومی است و همین، تفاوت بنیادین آن‌ها را رقم می‌زند. سه خاصیت کلیدی که قدرت رایانش کوانتومی از آن‌ها سرچشمه می‌گیرد عبارت‌اند از:

• برهم‌نهی (Superposition): یک کیوبیت می‌تواند هم‌زمان در ترکیبی از حالت‌های صفر و یک قرار گیرد، نه فقط یکی از آن‌ها. این ویژگی به رایانه کوانتومی اجازه می‌دهد شمار بسیار زیادی حالت را هم‌زمان بررسی کند.
• درهم‌تنیدگی (Entanglement): دو یا چند کیوبیت می‌توانند چنان به هم گره بخورند که وضعیت یکی بلافاصله بر وضعیت دیگری اثر بگذارد، حتی اگر از هم فاصله داشته باشند. این پدیده امکان همبستگی‌های محاسباتی قدرتمندی فراهم می‌کند.
• تداخل (Interference): با مدیریت هوشمندانه حالت‌های کوانتومی، می‌توان احتمال پاسخ‌های درست را تقویت و پاسخ‌های نادرست را تضعیف کرد.

هوش مصنوعی کوانتومی به کاربرد رایانش کوانتومی برای بهبود یا بازطراحی الگوریتم‌های هوش مصنوعی گفته می‌شود. هدف این حوزه، بهره‌گیری از خواص کوانتومی برای انجام کارهایی است که برای رایانه‌های کلاسیک بسیار دشوارند. این حوزه چند شاخه اصلی دارد:

• یادگیری ماشین کوانتومی (Quantum Machine Learning)
  

این شاخه که قلب هوش مصنوعی کوانتومی است، به دنبال استفاده از توان رایانش کوانتومی برای تقویت الگوریتم‌های یادگیری ماشین کلاسیک است. برای مثال، رایانه‌های کوانتومی می‌توانند داده را به فضایی بسیار بزرگ (فضای هیلبرت) نگاشت کنند که در آن جداسازی الگوها آسان‌تر می‌شود؛ این ایده پایه روش‌هایی مانند ماشین‌های بردار پشتیبان کوانتومی است. هدف نهایی، سرعت‌بخشیدن به تحلیل داده، تشخیص الگو و آموزش مدل‌ها است.

• شبکه‌های عصبی کوانتومی (Quantum Neural Networks)

شبکه‌های عصبی کوانتومی مدل‌هایی هستند که از شبکه‌های عصبی کلاسیک الهام گرفته‌اند، اما به‌جای نورون‌های معمولی از کیوبیت‌ها و عملیات کوانتومی برای پردازش داده استفاده می‌کنند. این شبکه‌ها معمولاً به‌صورت مدارهای کوانتومی پارامتری پیاده‌سازی می‌شوند که پارامترهای آن‌ها در فرایند آموزش تنظیم می‌شود. انتظار می‌رود این مدل‌ها برای برخی وظایف خاص، سرعت یا ظرفیت یادگیری بیشتری نسبت به شبکه‌های کلاسیک ارائه دهند.

• الگوریتم‌های کوانتومی برای بهینه‌سازی

بسیاری از مسائل واقعی، از برنامه‌ریزی مسیر و مدیریت سبد سرمایه‌گذاری گرفته تا زمان‌بندی، در ذات خود مسائل بهینه‌سازی هستند. الگوریتم‌های کوانتومی مانند QAOA و روش تبرید کوانتومی (Quantum Annealing) با بهره‌گیری از موازی‌سازی کوانتومی، می‌توانند این مسائل را کارآمدتر از روش‌های کلاسیک حل کنند و به همین دلیل یکی از امیدوارکننده‌ترین کاربردهای نزدیک هوش مصنوعی کوانتومی به شمار می‌روند.

• علم داده کوانتومی (Quantum Data Science)

علم داده کوانتومی به توسعه الگوریتم‌ها و روش‌هایی می‌پردازد که با استفاده از قابلیت‌های کوانتومی، پردازش و استخراج بینش از مجموعه‌های داده بسیار بزرگ را ممکن می‌کنند؛ کاری که با حجم و ابعاد داده امروزی برای روش‌های کلاسیک به‌شدت پرهزینه است.

اگرچه این فناوری هنوز در مراحل اولیه است، اما حوزه‌هایی که بیشترین بهره را از آن خواهند برد کم‌کم مشخص شده‌اند:

• داروسازی و علم مواد: شبیه‌سازی رفتار مولکول‌ها و کشف داروها و مواد جدید، که به‌طور طبیعی مسائلی کوانتومی هستند.
• مالی: بهینه‌سازی سبد سرمایه‌گذاری، مدیریت ریسک و تشخیص تقلب با سرعت بالاتر
• لجستیک و حمل‌ونقل: یافتن بهینه‌ترین مسیرها و زمان‌بندی‌ها در شبکه‌های پیچیده
• امنیت سایبری: هم در ایجاد روش‌های رمزنگاری مقاوم و هم در تحلیل تهدیدها
• پزشکی: تحلیل داده‌های زیستی و تصویربرداری پزشکی با دقت و سرعت بالاتر

با وجود همه هیجان پیرامون هوش مصنوعی کوانتومی، باید واقع‌بین بود: این فناوری هنوز در دوره‌ای موسوم به عصر «کوانتوم نویزی مقیاس متوسط» (NISQ) قرار دارد. مهم‌ترین چالش‌های فعلی عبارت‌اند از:

• نویز و ناپایداری: کیوبیت‌ها بسیار حساس‌اند و به‌سادگی دچار خطا می‌شوند؛ پدیده‌ای به نام «واهم‌دوسی» (Decoherence).
• تعداد محدود کیوبیت‌ها: رایانه‌های کوانتومی فعلی هنوز به تعداد کیوبیت پایدار کافی برای حل مسائل بزرگ صنعتی نرسیده‌اند.
• نیاز به رویکرد ترکیبی: در عمل، بیشتر راهکارهای امروزی «کوانتومی-کلاسیک ترکیبی» هستند؛ یعنی بخش کوچکی از محاسبات روی سخت‌افزار کوانتومی و بقیه روی رایانه‌های کلاسیک انجام می‌شود.

به همین دلیل، نقش ابررایانه‌ها در این حوزه بسیار پررنگ است. بخش عمده پژوهش‌های امروزی هوش مصنوعی کوانتومی از طریق «شبیه‌سازی» رفتار رایانه‌های کوانتومی روی ابررایانه‌های کلاسیک انجام می‌شود، زیرا شبیه‌سازی حتی چند ده کیوبیت به منابع محاسباتی و حافظه عظیمی نیاز دارد. همچنین بخش کلاسیک الگوریتم‌های ترکیبی روی همین زیرساخت‌ها اجرا می‌شود.

هوش مصنوعی کوانتومی از پیوند دو فناوری دگرگون‌کننده زاده شده و می‌کوشد با بهره‌گیری از خواص شگفت‌انگیز مکانیک کوانتومی، مرزهای توان هوش مصنوعی را جابه‌جا کند. اگرچه این حوزه هنوز جوان است و با چالش‌های جدی سخت‌افزاری روبه‌روست، اما شاخه‌هایی مانند یادگیری ماشین کوانتومی و بهینه‌سازی کوانتومی چشم‌اندازی امیدوارکننده برای آینده ترسیم می‌کنند. آماده‌شدن برای این آینده، از همین امروز و از طریق پژوهش و شبیه‌سازی روی زیرساخت‌های موجود آغاز می‌شود.

در مقاله‌های بعدی به موضوعاتی مانند معرفی چارچوب‌های برنامه‌نویسی کوانتومی و نمونه‌های عملی الگوریتم‌های یادگیری ماشین کوانتومی خواهیم پرداخت.

• تفاوت رایانش کوانتومی با هوش مصنوعی کوانتومی چیست؟