Статья:

ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ КВАНТОВОГО ВЫЧИСЛЕНИЯ В ПОИСКЕ АССОЦИАТИВНЫХ ПРАВИЛ

Конференция: XLVII Студенческая международная научно-практическая конференция «Технические и математические науки. Студенческий научный форум»

Секция: Технические науки

Выходные данные
Ашимов Р.Н. ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ КВАНТОВОГО ВЫЧИСЛЕНИЯ В ПОИСКЕ АССОЦИАТИВНЫХ ПРАВИЛ // Технические и математические науки. Студенческий научный форум: электр. сб. ст. по мат. XLVII междунар. студ. науч.-практ. конф. № 2(47). URL: https://nauchforum.ru/archive/SNF_tech/2(47).pdf (дата обращения: 28.03.2024)
Лауреаты определены. Конференция завершена
Эта статья набрала 0 голосов
Мне нравится
Дипломы
лауреатов
Сертификаты
участников
Дипломы
лауреатов
Сертификаты
участников
на печатьскачать .pdfподелиться

ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ КВАНТОВОГО ВЫЧИСЛЕНИЯ В ПОИСКЕ АССОЦИАТИВНЫХ ПРАВИЛ

Ашимов Рахман Нурланович
магистрант, Евразийский национальный университет имени Л. Н. Гумилёва, Республика Казахстан, г. Нур-Султан

 

Общеизвестным фактом является то, что научно-технический прогресс имеет непосредственное воздействие на традиционный уклад жизни человека. Не обходит это утверждение и сферу образования. Если в начале XXI века понятие «дистанционного обучения» воспринималось как элемент, характерный для необозримого будущего, то на сегодняшний день без него не обходится ни одно образовательное учреждение в мире. Спрос на возможность дистанционного обучения вырос и, несомненно, будет непреклонно расти. Наглядным примером является пандемия COVID-19, когда на определенный момент более 90% обучающихся перешли на дистанционное обучение. Данный факт нанес колоссальный удар по образовательным системам практически всех стран мира [1,2]. Основываясь на данных тенденциях, можно предположить, что внедрение современных и новейших методов в продукты, носящие образовательный характер, являются важными и необходимыми в области информатики и компьютерных технологий.

Внушительное влияние с начала 2010-х годов обретает так называемая «Наука о данных» или «Data science». Методы, разрабатываемые специалистами в области анализа больших данных, внедряются в различные сферы деятельности человека: начиная от финансовых систем, банкинга и заканчивая мелкорозничной торговлей. К одной из популярных проблем в анализе больших данных входит нахождение паттернов, связей между элементами в базах данных. Выявление подобных связей открывает широкий спектр возможностей для дальнейшего исследования поставленной задачи [3]. Наиболее эффективный подход в выявлении паттернов и шаблонов предлагают методы поиска ассоциативных правил. Внедрение данных методов в образовательные порталы поможет с построением комплекса образовательных программ, уметь подобрать подходящие по требованиям курсы для потенциальных обучающихся и поможет в автоматизации формирования новых курсов [4].

Какое же можно дать определение квантовому компьютеру? По сравнению с обычным, в квантовых компьютерах не имеет никакого значения такие характеристики как мощность видеокарты, наличие чипсета и так далее. Данные аспекты уходят отодвигаются на второй план. Ключевым фактором является то, как устроена память в компьютерах, а точнее, ячейки и регистры, в которых будет производиться квантовое вычисление. В стационарных компьютерах ячейка памяти или бит может принять одно из двух значений: 0 или 1. В квантовых компьютерах ячейка памяти или кубит может принять значения: 0, или 1, или одновременно 0 и 1. Такую уникальную возможность называют квантовой суперпозицией. Ячейки памяти в квантовых компьютерах называют кубитами. Аналогией суперпозиции является брошеная монета, которая никогда не падает. Подобная особенность всецело меняет логику вычислений. Квантовая суперпозиция является очень чувствительным состоянием. При попытке выяснить, что записано в кубите, он с какой-то вероятностью будет принимать значение 0, а с какой-то 1. То есть, узнать, что выпадет орел или решка можно лишь остановив монету, но тогда он теряет свойство суперпозиции. Зачем же такая неустойчивая конструкция? Дело в том, что так выглядит лишь 1 кубит. Если их несколько, то положение меняется кардинально. Например, 2 кубита могут принять 4 состояния: 00, 01, 10 и 11. 3 кубита дают 8 комбинаций, 4 кубита - 16, 5 кубитов – 32 и т.д. Следственно, N кубит дают  различных состояний. Такая степенная зависимость растет очень быстро. Например, =1 125 899 906 842 624 [5].

Логические операции над кубитами относят к квантовым вентилям. Их уникальность заключается в том, что они не нарушают состояние суперпозиции. Они меняют не сами значения кубитов, а вероятность того, что в результате выпадет в кубите при измерении: 0 или 1. Если вкратце, то квантовый компьютер работает так: загружается база данных в кубиты, используются цепочки из квантовых вентилей, производится итоговое измерение и наблюдение результата. В зависимости от применяемого метода, подобную операцию необходимо провести 1 или несколько раз, чтобы выяснить статистику выпадения нулей и единиц. Данную теорию можно испытать на специальных симуляторах, созданные компанией IBM. В практической плоскости это очень трудоемкая проблема. Основная задача заключается в обеспечении изоляции кубитов от инородного воздействия, так как их состояние суперпозиции будет нарушена в краткосрочной перспективе. Например, кубитами могут быть малые сверхпроводящие петли. При таком раскладе, их необходимо охладить до экстремально низких температур. В данных эскпериментах применяется жидкий гель. Температура охлаждения доводится до экстремальных 15 мКельвин. Если сравнить, то комнатная температура имеет показатель в 300 Кельвин. Данная температура близка к абсолютному нулю. В виде кубитов можно воспринимать независимые ионы, захваченные в электромагнитные ловушки. И дальнейшая реализация невозможна из-за проблемы создания глубокого вакуума. На сегодняшний день мощного и эффективного квантового компьютера для массового использования не изобрели. Существуют симуляторы в промежутке от 100 до 1000 кубит, и даже они применимы под одну или две узкоспециализированные задачи и выдвинуть универсальное решение на данный момент не представляется возможным.

Если подобрать миллиарды состояний, то в конце концов их можно сузить к простому набору 0 и 1. Как же можно вообразить пользу квантовых компьютеров? Квантовые вычисления уникальны тем, что в отличие от обычного в них выполняется функция параллельного вычисления. К примеру, на 10 кубитах невозможно единовременно произвести 2048 умножения. В подобных задачах, практической пользы во времени не будет. Квантовый компьютер эффективнее стационарного лишь в определенных моментах, например, если есть необходимость в нахождении на большом массиве чисел: определенное число, закономерность, периоды повторения и т.д. При таких раскладах ускорение достигается благодаря квантовому эффекту, то есть эффекту интерференции, параллелизма и квантовой запутанности. На подобном случае сравнение с брошенной монетой приобретает совсем иной смысл, полностью отходя от классической механики в квантовый мир. Как было упомянуто выше, в системе из определенных кубит может существовать большое множество состояний. В определенных задачах, где стационарному компьютеру необходимо перебирать значения по одному, квантовый компьютер имеет возможность обработать все значения одновременно. В результате будет выдано большое количество ответов, где необходимо выбрать подходящие под условия задачи. В решении данной проблемы применяется интерференция. Проблема в том, что коэффициенты перед различными состояниями системы необходимо воспринимать не как вероятности, а амплитуды вероятностей с комплексными числами. Например, (0,4+0,4i) | 10> - (0,4+0,4i) | 11>. При их сложении результатом может быть значение меньшее данного или даже 0. С помощью определенных квантовых вентилей можно усиливать амплитуды у «правильных» ответов и уменьшать у «неправильных», при том, что вентиль действует на все состояния одновременно. Поэтому к верному ответу можно прийти в краткие сроки. Но есть проблема, чтобы интерференция действовала, все кубиты должны быть когерентны, т.е. интерференция – результат сложения когерентных состояний. Это означает, что они одинаковы по свойству и не взаимодействуют с окружением. Добиться этого на практике проблематично с ростом числа кубит, но при этом растет квантовое ускорение.

Допустим, что имеется 2 кубита - . Определенными квантовыми вентилями можно обнулить вероятности двух состояний, оставив только 2: 0,71|00> + 0,71|11>, тогда, просмотрев только один кубит и обнаружив значение 1, можно понять, что это за состояние. В таком случае можно знать что будет во втором, хотя он не был затронут: |11>.  Данное состояние свойственно благодаря квантовой запутанности. Это состояние наблюдается только в квантовом мире, и не существует в макромире. Если одновременно бросить в воздух две монеты и поймать одну и разузнать ее значение, нельзя предугадать какое значение может принять вторая монета. Данное свойство увеличивает квантовое ускорение в вычислениях [6].

Самое примитивное использование квантовых компьютеров – это использование методов поиска ассоциативных правил, так как они используются повсеместно: банкинг, создание цифровых подписей, электронные почты, пароли, логирование и т.д. Теоретически, если получится разложить полученные данные на множители, то существует возможность получить доступ к базе данных без ограничений. Стандартные компьютеры будут выполнять подобную задачу около трех дней, а мощный квантовый компьютер выполнит ее менее чем 1 секунду.

Чтобы связать квантовый компьютер с методами поиска ассоциативных правил, необходимо понять, как работает нейронная сеть. Нейронные сети на данный момент выполняют масштабные вычисления, на подобие определения болезней в медицине или анализ океанических течений. Вкратце, нейросеть представляет собой огромный набор элементов и связи между ними, задача которых является вычисление закономерностей на больших массивах данных. Если получится добиться успеха в построении нейронных сетей, квантовых компьютеров и в устройстве под них существующих методов поиска правил, то объединение трех этих элементов на данный момент проблематично[7].

О квантовых нейросетях чаще всего говорят в выделении вычислительной техники, но ведь известно, что человеческий мозг – это нейронная сеть, которая в 50 раз шире чем имеющиеся на данный момент в обороте. Существует предположение что, поиск квантовых ускорений в биологических нейронных сетях – это теоретическое решение проблемы создания «квантового мозга» и в многократном увеличении эффективности обработки найденных ассоциативных правил [8].

 

Список литературы:
1. Как пандемия влияет на систему образования в мире – [Электронный ресурс]URL:https://forbes.kz/process/education/kak_pandemiya_vliyaet_na_sistemu_obrazovaniya_v_mire/ (Дата обращения: 14.10.2021)
2. M. Mukasheva, O. Chorosova, Z. Zhilbayev and Y. Payevskaya, "Integrated approach to the development and implementation of distance courses for school computer science teachers," 2020 IEEE 14th International Conference on Application of Information and Communication Technologies (AICT), 2020, pp. 1-6, doi: 10.1109/AICT50176.2020.9368817
3. What Is Data Science, and What Does a Data Scientist Do? - [Электронный ресурс] - URL: https://www.innoarchitech.com/blog/what-is-data-science-does-data-scientist-do (Дата обращения: 14.10.2021)
4. Characteristics of association rules and item sets - [Электронный ресурс] - URL: https://www.ibm.com/docs/en/db2/10.5?topic=visualizer-characteristics-association-rules-item-sets (Дата обращения: 14.10.2021)
5. Quantum Computing Since Democritus Lecture 10: Quantum Computing » - [Электронный ресурс] - URL: http://www.scottaaronson.com/blog/?p=208 (Дата обращения:14.10.2021)
6. Job One for Quantum Computers: Boost Artificial Intelligence - [Электронный ресурс] - URL: https://www.quantamagazine.org/job-one for-quantum-computers-boost-artificial-intelligence-20180129/ (Дата обращения: 15.10.2021)
7. Making a Neural Network, Quantum - [Электронный ресурс] - URL: https://medium.com/xanaduai/making-a-neural-network-quantum-34069e284bcf (Дата обращения: 15.10.2021)
8. How neural network training methods are modeled after the human brain - [Электронный ресурс] URL:https://searchenterpriseai.techtarget.com/feature/How-neural-network-training-methods-are-modeled-after-the-human-brain (Дата обращения: 15.10.2021)