CC BY
68
DOI: 10.24412/2413-2527-2021-327-52-60
Оригинальный английский текст © P. V. Polikarpov, N. K. Uvarov, A. D. Khomonenko опубликован в Proceedings of the Workshop «Intelligent Transport Systems and Transport Security 2021» on the basis of the Solomenko Institute of Transport Problems of the Russian Academy of Sciences and Emperor Alexander I St. Petersburg State Transport University (ITSTS 2021). CEUR Workshop Proceedings. 2021. Vol. 2924. Pp. 33-41.
Экосистемы квантовых вычислений и перспективы использования их на транспорте
П. В. Поликарпов Н. К. Уваров д.т.н. А. Д. Хомоненко
ООО «Абакус» Санкт-Петербургский информационно- Петербургский государственный
Санкт-Петербург, Россия вычислительный центр университет путей сообщения
p.polikarpov@abacus.spb.ru Санкт-Петербург, Россия Императора Александра I
nick553@mail.ru Санкт-Петербург, Россия
Аннотация. Представлен обзор современных экосистем программного обеспечения, позволяющих производить квантовые вычисления. Выделены отличия экосистем квантовых вычислений (ЭКВ) от экосистем классических вычислений. Проанализировано текущее состояние ЭКВ, возможности их использования для различных применений и перспективы развития. Рассмотрены перспективные области применения квантовых вычислений на транспорте.
Ключевые слова: экосистемы квантовых вычислений, квантовые вычисления на транспорте, большие данные, проблема оптимизации логистики, квантовые коммуникации, квантовое машинное обучение.
Введение
В передовых странах, в том числе в России, приняты программы развития технологий, объединяемых общим термином «квантовые вычисления» [1]. Достигнутый за последние годы прогресс в этой области позволяет говорить о «квантовой революции 2.0». Россия входит в число семнадцати стран, в которых принята и реализуется государственная стратегия в области квантовых технологий. Основными направлениями развития здесь являются собственно квантовые вычисления, квантовая коммуникация и квантовое машинное обучение.
Достигнутый прогресс можно охарактеризовать результатом [2], демонстрирующим превосходство квантовых вычислений над классическими, пока что для специальных («удобных» для квантовых вычислений) задач. Этот результат был частично оспорен в [3], что говорит о конкуренции и высоком темпе развития в данной отрасли. В этой же работе говорится о приближении технологий к пределу возможностей моделирования существующих 53-кубит-ных квантовых компьютеров с помощью классических суперкомпьютеров.
Как показано в [4], в настоящее время квантовые компьютеры уже существуют, но еще не могут быть широко использованы ввиду недостатков аппаратуры. Проблемами и основными направлениями развития являются увеличение числа кубит, снижение уровня шума и увеличение времени жизни квантовых состояний (так называемой «глубины вычислений»). Рост числа кубит при прочих равных условиях позволяет использовать алгоритмы, корректирующие за счет избыточности ошибки, вызываемые шумом.
khomon@mail.ru
Разработка алгоритмов, устойчивых к ошибкам, является одной из приоритетных задач в развитии квантовых вычислительных технологий. Сейчас имеет место время шумных квантовых компьютеров среднего масштаба, так называемых NISQ (Noisy Intermediate-Scale Quantum).
Как показано в [5], самостоятельно квантовые вычисления в настоящее время не могут быть использованы. Необходима инфраструктура подготовки данных, управления вычислениями, интерпретации выходных данных и представления результатов.
О ТЕРМИНЕ «ЭКОСИСТЕМА КВАНТОВЫХ ВЫЧИСЛЕНИЙ»
Термин «экосистема», как упомянуто в [6], был введен английским ученым Артуром Тенсли (Arthur Tansley) в 1935 году для обозначения интеграции биотического сообщества и его физической среды в качестве фундаментальной единицы экологии в иерархии физических систем, которые охватывают диапазон от атома до вселенной. Экосистемы являются основными структурными единицами, составляющими биосферу. Системы, обеспечивающие функционирование в современном обществе, обозначаются в настоящее время термином «бизнес-экосистемы». В фундаментальной работе [7] группы предприятий и взаимоотношения между ними, взаимодействующие друг с другом в рамках одной ниши на рынке программного обеспечения и услуг, определяются как «экосистемы программного обеспечения». Взаимоотношения между частями экосистемы часто опираются на общую технологическую платформу.
Примерами экосистем программного обеспечения являются экосистемы Apple, Google, Microsoft и экосистема открытого программного обеспечения.
Среди экосистем программного обеспечения выделяют экосистемы разработки программного обеспечения. В частности, в [8] представлен краткий актуальный обзор текущего состояния и распространенности среди разработчиков средств разработки программного обеспечения.
Экосистема разработки программного обеспечения должна включать в себя следующие основные компоненты:
- языки программирования;
- средства создания программного кода;
- средства построения диаграмм, отображающих структуру программного кода (диаграммы классов);
- средства отладки программного обеспечения;
- наборы библиотек и компонентов для реализации алгоритмов, обмена и представления данных.
Так, например, экосистема разработки программного обеспечения Microsoft [9] включает в себя:
- языки программирования С++, С# и другие;
- комплекс средств разработки MS Visual Studio, включающий, в частности, средства отладки, дизайнер классов, дизайнер структуры данных;
- многочисленные SDK и библиотеки;
- облачную среду для разработки и развертывания программного обеспечения;
- операционные системы Windows различных версий.
С появлением и развитием квантовых вычислений
можно выделить экосистемы квантовых вычислений (ЭКВ), отличительной чертой которых является использование квантового вычислительного модуля и/или его эмулятора. Данные экосистемы открывают доступ к квантовым вычислениям и служат для того, чтобы:
- управлять существующими физическими устройствами квантовых вычислений;
- оценивать эффективность выполнения квантовых алгоритмов на будущих устройствах;
- изучать концепции квантовых вычислений;
- проверять квантовые алгоритмы и их реализации;
- обучать квантовым вычислениям.
Экосистемы квантовых вычислений. Общие замечания
Квантовые вычисления состоят из следующих основных этапов:
1. Подготовка данных.
2. Подготовка схемы квантовых вычислений.
3. Загрузка схемы квантовых вычислений и исходных данных в квантовый процессор.
4. Выполнение вычисления в квантовом процессоре.
5. Получение данных от квантового процессора.
6. Интерпретация данных.
На обычном (классическом) процессоре выполняются этапы 1, 2 и 6, этапы 3 и 5 связаны с передачей данных между квантовым и классическим процессорами, этап 4 выполняется на квантовом процессоре. При отладке программного обеспечения на этапе 4 используется симулятор квантового процессора.
Рассмотрим наиболее развитые в настоящее время ЭКВ.
Экосистема Google
Google развивает различные инструменты, встроенные в обширную программно-аппаратную инфраструктуру компании [10]. Основными составляющими являются: фреймворк Cirq и прикладные библиотеки TensorFlow Quantum и Fermion.
Cirq работает со схемами квантовых вычислений. Квантовые программы в Cirq представлены «Схемой» и «Расписанием», где «Схема» представляет квантовую схему, а «Расписание» — квантовую схему с информацией о последовательности действий. Программы могут выполняться на локальных симуляторах.
TensorFlow Quantum — специальная библиотека, которая позволяет использовать схемы Cirq как тензоры TensorFlow, кроме того, содержит специализированные
слои (tf.keras.layers) для рекуррентных нейронных сетей. Эта библиотека представляет собой пример смешанного квантово-классического подхода.
Open Fermion — специализированная библиотека алгоритмов моделирования химических процессов.
ЭКВ Google предоставляет доступ к своему 50-кубит-ному квантовому компьютеру и соответствующим симуля-торам.
Экосистема IBM
ЭКВ, развиваемая компанией IBM, представлена в [11]. Программная оболочка, предоставляющая доступ к квантовому компьютеру IBM, носит название Qiskit. Базовым языком программирования для использования Qiskit является Python. В состав экосистемы входит квантовый ассемблер, предоставляющий доступ к операциям с кубитами самого низкого уровня — OpenQASM.
В состав ЭКВ входят средства построения схем квантовых вычислений IBM Quantum Composer и среда разработки IBM Quantum Lab. Пользователю предоставляются следующие основные модули:
- модуль составления квантовых программ на уровне схем и импульсов с оптимизацией и учетом физических особенностей конкретного физического квантового компьютера (Terra);
- симулятор квантовых вычислений и симулятор шумовых ошибок (Aer);
- подсистема уменьшения шума в квантовых схемах (Ignis);
- библиотека квантовых алгоритмов (Aqua).
ЭКВ предоставляет доступ к линейке собственных квантовых компьютеров. На момент написания статьи самыми мощными являлись 27-кубитный процессор с большим характерным временем жизни квантовых состояний и 67-кубитный компьютер с меньшим характерным временем жизни квантовых состояний.
Для отладки программ и исследования алгоритмов в данной ЭКВ предоставляется доступ к различным симуля-торам мощностью вплоть до 1 000 кубит.
Экосистема Rigetti
ЭКВ компании Rigetti описана в [12]. Особенностью данной ЭКВ является стремление разработчиков обеспечить минимальную задержку для передачи данных между квантовым и классическим процессорами на этапах загрузки данных в квантовый процессор, передачи схемы вычислений в квантовый процессор и получения результатов вычисления из квантового процессора.
ЭКВ Rigetti содержит все необходимые модуля для выполнения квантовых вычислений.
Квантовая операционная система. Доступ к квантовой операционной системе предоставляется через сетевые API. На этом уровне реализованы базовые сервисы, такие как:
- аутентификация пользователей, авторизация сервисов;
- управление схемой вычислений и передача ее квантовому процессору;
- управление памятью;
- управление одновременно выполняемыми процессами.
Доступ к этому API осуществляется с помощью программного обеспечения Rigetti SDK.
Язык инструкций Quil [13] предназначен для программирования квантовых вычислений. На этом языке описываются квантовые схемы на самом низком уровне, взаимодействие с классическим процессором и управление памятью. Расширение Quil-T обеспечивает доступ к управлению работой кубитов на самом низком уровне.
Инструменты для программирования Forest SDK включают в себя библиотеку на языке программирования Python pyQuil и оптимизирующий компилятор Quilc, который может быть сконфигурирован для создания программы на квантовых процессорах производителей, отличных от Rigetti.
Для исполнения программ используется 31-кубитный квантовый компьютер. Для отладки используются различные симуляторы с моделированием шума.
Экосистема Azure Quantum Компания Microsoft разрабатывает набор инструментов и технологий [14, 15], интегрированных с экосистемой классического программного обеспечения. В ЭКВ используется язык программирования Q# и библиотека инструментов SDK Quantum. Доступ пользователей осуществляется с помощью облачной платформы Azure Quantum.
Своего квантового компьютера в данной ЭКВ нет. Предоставляется доступ к квантовым компьютерам Honewell и Quantum Circuits.
Экосистема Amazon ЭКВ, развиваемая компанией Amazon, носит коммерческое наименование Amazon Braket [16]. ЭКВ использует широко распространенные открытые инструменты разработки классического программного обеспечения: блокноты Jupiter с установленными в них библиотеками. SDK Amazon Braket — это платформа разработки, с помощью которой можно создавать квантовые алгоритмы и выполнять их на любом совместимом оборудовании, доступ к которому предоставляется через сервис Amazon Braket. Данная платформа содержит популярные квантовые алгоритмы и компоненты для работы с обучением нейронных сетей. Для отладки используется несколько симуляторов с добавлением шума и симулятор тензорной нейронной сети. Запуск программ осуществляется на квантовых компьютерах Rigetti, Wave-D, IonQ.
Экосистема Intel Компания Intel сообщает, что ведутся работы по созданию ЭКВ [17], но пока ничего не представлено.
Экосистема Strangeworks Данная экосистема собирает различные квантовые сервисы для доступа через единую точку входа [18]. Предоставляется собственная среда разработки программ на языке Python и доступ к квантовым компьютерам Honeywell, Rigetti и другим.
Экосистема IonQ ЭКВ IonQ предоставляет доступ к собственному квантовому компьютеру [19] через собственное программное обеспечение, основанное на языке Python, а также через сервисы Amazon Braket и Azure Quantum.
Перспективы развития и применения квантовых
ВЫЧИСЛЕНИЙ НА ТРАНСПОРТЕ
В материале [20], представленном специалистами одного из лидеров отрасли — фирмы IBM, описан план развития ЭКВ. Этот план отражает общие для отрасли перспективы: к концу 2022 года достижение 400 кубит и реальное использование ЭКВ в научных исследованиях, машинном обучении, решении задач оптимизации и в финансовой отрасли.
Предполагается, что с развитием ЭКВ будут развиваться программные оболочки, скрывающие от пользователя детали реализации квантовых алгоритмов. Развитие ЭКВ позволит, таким образом, решать прикладные задачи, для решения которых вычислительной мощности классических суперкомпьютеров недостаточно.
С развитием квантовых компьютеров и ЭКВ будут развиваться и алгоритмы квантовых вычислений в приложении для задач оптимизации и для анализа больших данных. Значение анализа больших данных на транспорте показано в работе [21].
ЗАДАЧА ЛОГИСТИЧЕСКОЙ ОПТИМИЗАЦИИ
Рассмотрим возможный подход к решению задачи оптимизации транспортной логистики с помощью квантового компьютера.
Задача оптимизации логистики Монжа — Канторовича в тривиальной формулировке задачи линейного программирования может быть представлена в следующем виде:
п
^XjJ = а; , i = 1,...,m
j
m
^Xij = Ъ3, j = 1, ...,n
i
n m
^ ^ ci,ixi,j ^ min , i j
где m, n — число пунктов потребления и производства однородного товара;
at — объем производства в i-м пункте производства; bj — объем производства в j-м пункте потребления; Су — затраты на транспортировку единицы товара между узлами i и j.
Эта задача, как неоднократно показано, является NP-сложной, а это значит, что не существует полиноминальный по времени алгоритм решения данной задачи.
Как показано в [22], задача комбинаторной оптимизации, к которой сводится задача оптимизации транспортной логистики, может быть сведена к задаче выполнения граничных условий, определенных с помощью n бит и m ограничений:
т
C(z)= £са (z) ,
а=1
где z — n-битовая строка, а Са (z) = 1, если z удовлетворяет ограничению а, и 0 — в противном случае.
Учитывая представление n бит n кубитами, в [23] представлен алгоритм квантовой приближенной
оптимизации (Quantum Approximate Optimization Algorithm, QAOA). В [24] показано, что QAOA позволяет решить задачу за полиномиальное время. Функциональность QAOA реализована в наиболее распространенных ЭКВ, таких как Azure Quantum, Cirq, Qiskit.
Большие данные на транспорте
Во-первых, мы должны подтвердить, что методы больших данных действительно так важны в современной транспортной сфере. Первоначально признаком больших данных был набор из 3 V: объем, скорость и разнообразие [25]. Даже начального анализа современного состояния транспорта достаточно, чтобы сказать, что он работает с большими данными.
Объем. Как указано выше, транспорт сейчас в значительной степени цифровизован, несмотря на то что многого еще предстоит добиться. Благодаря этому было обнаружено множество новых источников данных. Больше источников означает больше данных. Сегодня каждое транспортное средство оснащено тоннами датчиков, данные которых нуждаются в анализе. Данные могут быть взяты из логистических систем, дорожных датчиков, систем видеонаблюдения и т. д. — и это лишь несколько примеров источников данных.
Разнообразие. Сами источники стали более неоднородными. Некоторые представляют собой потоковые битовые данные, некоторые — текстовые данные. Есть источники с видео- и аудиоданными. Все зависит от источника и возможностей применения его данных.
Скорость. Современные данные передаются через потоки. Для обеспечения соответствующей обработки и анализа данных системы должны обладать достаточной мощностью. Это касается и транспорта, где своевременное вычисление может предотвратить задержки или даже аварии.
Некоторые классификации добавляют различные признаки больших данных, например достоверность. Стоит упомянуть и объем [26]. Это означает целесообразность обработки данных в экономических целях. В современной транспортной сфере применение этого признака очевидно, правильный анализ данных может оптимизировать техническую и логистическую сторону бизнеса, что может привести к снижению расходов.
Обработка больших данных открывает двери для многих новых сервисов и возможностей модернизации старых. Вот лишь немногие из них [21]:
1. Мониторинг инфраструктуры. С увеличением объема данных инфраструктурный анализ становится более точным, что приводит к более эффективному управлению самой инфраструктурой.
2. Повышение мобильности сервисов. Сегодня пользователям нужно иметь в руках все — на смартфоне. Транспортные услуги не являются исключением. Обработка больших данных предоставляет возможность предоставления сервисов, ориентированных на пользователя, а также предоставляет бизнесу дополнительные данные, которые могут быть полезны в будущем.
3. Понимание потребностей клиента. Один из самых популярных источников больших данных — социальные сети. Анализ информации оттуда может дать много полезных бизнес-деталей. В первую очередь это касается
требований клиента, что имеет важное значение для транспорта, как и для любой другой области.
4. Визуализация потока людей. Визуализация иногда добавляется к признакам больших данных, что подчеркивает ее важность. Действительно, это очень мощный инструмент, который может решать массу задач управления транспортом также будучи простым и понятным среднестатистическому человеку, а не только IT-экспертам.
5. Управление движением. Этот пункт говорит сам за себя. Большее количество источников и данных приводит к более точному прогнозированию, что позволяет правильнее управлять трафиком.
6. Диагностика состояния транспортного средства. Этот пункт особенно актуален на железной дороге, поскольку технический осмотр и ремонт являются одной из важнейших составных частей железнодорожных перевозок, и они невозможны без больших данных.
Стоит упомянуть инициативу Smart Transport в концепции Smart city. Существует множество определений Smart city, но для простоты давайте сосредоточимся на этом городе, где все основные компоненты инфраструктуры являются наиболее интеллектуальными, связанными и эффективными благодаря использованию информационных технологий [27].
Сама инициатива подразумевает интеллектуализацию транспорта в городе, включая общественный транспорт и дороги. Это основные аспекты Smart Transport [28]:
- интеллектуальные дороги (изменение дорожной разметки, обнаружение ДТП, интеллектуальное освещение, оборудование датчиков);
- интеллектуальные светофоры (анализ данных для регулирования трафика на основании его плотности);
- умные автомобили (обработка данных из различных источников для обеспечения безопасности автопилота и водителя);
- умные дорожные знаки (анализ данных о состоянии дорог, изменение знаков).
Во введении к данной статье рассматривается проблема производительности современных информационных систем. Одно из решений — квантовые компьютеры. Далее приводится краткая спецификация квантовых вычислений и их возможностей по обработке больших данных.
КВАНТОВЫЕ ВЫЧИСЛЕНИЯ И БОЛЬШИЕ ДАННЫЕ
Основным отличием квантовых и классических вычислений является наличие двух физических явлений, наблюдаемых только в микромире: квантовой суперпозиции и запутанности.
Квантовые компьютеры работают не битами, как классические ПК, а кубитами. Разница между ними заключается в количестве их возможных состояний. Классический бит интерпретирует наличие или отсутствие электрического тока и может быть равен либо 0, либо 1.
Кубит интерпретирует одно из свойств частицы (например, спин электрона или поляризация фотона) и может быть в виде 10} и 11>, но в состоянии суперпозиции эти величины (d0|0> + d1|1>), где |d01 и || — вероятности обнаружения кубита в этом состоянии в результате измерений.
Квантовые явления суперпозиции трудно описать, потому что в классической физике нет подходящих
экспериментальных примеров. Проще говоря, суперпозиция — это состояние, где кубит равен 0 и 1 одновременно. К сожалению, это явление невозможно увидеть или почувствовать человеку. Каждая попытка измерить его приводит к свертыванию кубита в одном из состояний с определенной возможностью. Однако с кубитом в этом состоянии все еще можно работать.
Важно знать, что состояния кубита записываются в бре-кетах, поскольку они на самом деле векторы. Например,
вектор |0) может быть записан какЩ, и 11} может быть записан как
Вторая отличительная особенность квантового мира — явление запутанности. Два или более кубитов могут переходить в одну суперпозицию для всех них. Изменение одного из этих кубит мгновенно разрушит суперпозицию не только для него, но для каждого другого запутанного кубита. Все они переходят в одно определенное состояние. Например, если первый кубит будет в состоянии (d 100)+ +d 111)) и получит значение 0, то это означает, что второй кубит будет в состоянии 0 также.
Запутанные явления используются в вычислениях, но не дают никаких ускорений. Они в основном пригодны для квантовой безопасности. С другой стороны, суперпозиция может дать необходимую мощность компьютера для обработки больших данных.
Например, мы можем рассмотреть два бита и два кубита. Два бита потенциально могут превратиться в одно из четырех состояний (00, 01, 10, 11). Но в этот момент времени два бита могут представлять только одно из этих состояний. Два кубита также могут перейти в одно из этих состояний плюс их суперпозиция. Это означает, что два ку-бита могут представлять в данный момент времени все эти состояния одновременно [29].
Это приводит нас к идеальной модели превосходства квантовых вычислений над классическими вычислениями, представленной на рисунке 1.
Classical
л. Function Y,
Х2 Y 2
х3 Y.
X. Y».
X, Quantum Y, _ ----- --------' Y;
Function
Рис. 1. Идеализированное объяснение превосходства квантовых вычислений
Нам нужно представить какую-то функцию и наборы данных на входе в нее. Задача состоит в том, чтобы получить каждое значение результата для каждого набора входных данных. В классических вычислениях мы должны выполнять функцию для каждого набора входных данных. В квантовых вычислениях мы можем установить все значения входных данных в суперпозицию и запустить функцию только для этого состояния. С помощью этого метода мы можем вычислить функцию только один раз, вместо п.
Конечно, эта модель очень абстрактна и на практике все не так просто. Есть много подводных камней, препятствующих идеальному ходу вещей. Чтобы показать это, можно посмотреть на уже реализованную на реальной модели квантовых компьютеров — алгоритм квантового поиска Гровера [30, 31].
Алгоритм Гровера Подробное описание алгоритма является отдельной темой. Это взгляд на суть его работы. Схема алгоритма приведена на рисунке 2.
i{|00> +|01) + |10> + |01)) i(|00) +|01) - |1D> + |01))
|00) 2 У n®2 2 / 1 2 / D 2 / Измерение |01)
/ |i) / / /
H
Рис. 2. Упрощенная схема алгоритма Гровера
Схема состоит из квантовых вентилей — ортогональных матриц, которые применяются к кубитным состояниям с тензорным произведением. Также схема имеет так называемый «Оракул» — F-функцию, представляющую черный ящик. Это также ортогональная матрица.
Эта схема рассчитана на два кубита. Существует функция f (x0, xi) и 4 возможные состояния кубитов (|00), |01), 110), 111)). Функция F может вернуть 0 или 1, а возвращает 1 только для одного из возможных состояний. Нам нужно найти это состояние.
На входе в цепь два кубита переводятся в состояние 100) и один дополнительный кубит — в состояние 11). Давайте понаблюдаем за двумя верхними кубитами. Эта пара проходит через ворота Адамара и переходит в суперпозицию с равными возможностями для каждого состояния. После оракула одно из состояний меняет свой оператор на «-». Это правильное состояние. Чтобы получить ответ, нам нужно увеличить его вероятность и уменьшить вероятность других состояний.
Для этого суперпозиция проходит через ворота A — элемент, который переворачивает вероятности относительно среднего значения. В конце необходимое состояние имеет вероятность 1, а любое другое имеет 0.
Квантовое ускорение
К сожалению, алгоритм Гровера не сможет работать так идеально с 3 или более кубитами. В этой ситуации, после того как вероятности инвертируются, вероятности неправильных ответов не перейдут в 0. Эта проблема решается повторением схемы для исходящих данных результата. Каждый раз неправильные вероятности будут уменьшаться.
Гровер сам рассчитал значение необходимого числа повторного выполнения алгоритма для получения наиболее достоверного ответа. Это О(^п) раз [31]. С другой стороны, классический алгоритм требует выполнения О(п) вычислений. Квантовый алгоритм дает квадратичное ускорение по сравнения классическим. Теоретически классический
поиск, запуск в течение 100 часов может выполняться в течение 10 часов на квантовом компьютере.
Несмотря на резкое сокращение времени вычислений, для среднего человека ускорение может показаться не таким впечатляющим. Однако это показывает, что квантовые технологии уже могут быть использованы в реальных задачах как более эффективный способ.
Нужно помнить, что квантовые вычисления находятся на заре своего развития и многие вещи просто еще не открыты. Потенциал квантовых вычислений хорошо показан алгоритмом Шора [32]. Эта операция займет минуты на квантовом компьютере, а на классическом — десятилетия.
Стоит упомянуть область квантового машинного обучения. Машинное обучение широко используется в анализе больших данных и его ускорение сильно повлияет на эту область. На рисунке 3 приведены некоторые методы машинного обучения, которые потенциально могут быть ускорены квантовыми вычислениями. На схеме показаны теоретические ускорения над классическими методами [33].
1 Machine Learning
Method Quantum speedup
Bayesian inference 0[VJV)
Least squares o(i°g«]
Principal component analysis O(logJV)
Support-vector machine OflDgAT]
Reinforcement learning O(Vw)
Рис. 3. Теоретическое квантовое ускорение по сравнению с классическими методами
Как видим, некоторые методы дают экспоненциальное ускорение. Тем не менее предстоит еще много работы, чтобы получить фактическую выгоду от использования квантовых вычислений.
Выводы
Важным отличием ЭКВ от экосистем классических вычислений является большая роль, которую в квантовых вычислениях играет схема квантовых элементов.
Для отладки ЭКВ используют различные эмуляторы квантовых компьютеров с поддержкой эмуляции различных типов шумов [27].
ЭКВ содержат те же основные модули, что и экосистемы классических вычислений. Специфические черты ЭКВ:
- среда разработки схем квантовых вычислений;
- набор компонентов для доступа к квантовому компьютеру;
- эмулятор квантового компьютера;
- квантовый компьютер.
Виды ЭКВ по способу развития:
1. На основе развитых экосистем классических вычислений таких компаний, как Microsoft и Google.
2. Полностью заново разработанные системы, например компаний IBM и Rigetti.
3. Некоторые ЭКВ собирают самые разные сервисы: программные библиотеки, эмуляторы и квантовые компьютеры, например Strangeworks.
По области применения выделяется ЭКВ Google, содержащая развитый инструментарий системы машинного обучения TensorFlow Quantum.
С целью обучения могут быть использованы ЭКВ Google, Azure Quantum, IBM и Rigetti, предоставляющие удобный интерфейс пользователя и развитую документацию с примерами.
Как перспективную задачу дальнейших исследований предлагается рассмотреть использование ЭКВ для решения следующих задач:
- использование QAOA [33] для решения задач оптимизации транспортной логистики;
- задачи машинного обучения для мониторинга характеристик киберфизических систем и оценки качества информационно-технологических сервисов [34-36];
- проблемы интеграции средств обработки больших данных и нейронных сетей для классификации изображений и сложных объектов [37].
Литература
1. Kung, J. A Quantum Revolution: Report on Global Policies for Quantum Technology / J. Kung, M. Fancy; CIFAR. — 56 p. URL: http://cifar.ca/wp-content/uploads/2021/05/Quan-tumReport-EN-May2021.pdf (дата обращения 10.05.2021).
2. Quantum Supremacy Using a Programmable Superconducting Processor / F. Arute, K. Arya, R. Babbush, [et al.] // Nature. 2019. Vol. 574, Is. 7779. Pp. 505-510.
DOI: 10.1038/s41586-019-1666-5.
3. On «Quantum Supremacy» / E. Pednault, J. Gunnels, D. Maslov, J. Gambetta // IBM Research Blog. — 2019. — 21 October. URL: http://www.ibm.com/blogs/research/ 2019/10/on-quantum-supremacy (дата обращения 10.05.2021).
4. Preskill, J. Quantum Computing in the NISQ Era and Beyond // Quantum. 2018. Vol. 2. Art. No. 79. 20 p.
DOI: 10.22331/q-2018-08-06-79.
5. Квантовая модель вычислений глазами классического программиста / С. С. Андреев, С. А. Дбар, Ю. А. Климова, [и др.]. — Москва: ИПМ им. М. В. Келдыша РАН, 2018. — 30 с. — (Препринты ИПМ им. М. В. Келдыша. № 178). DOI: 10.20948/prepr-2018-178.
6. Tansley, A. G. The Use and Abuse of Vegetational Concepts and Terms // Ecology. 1935. Vol. 16, No 3. Pp. 284-307. DOI: 10.2307/1930070.
7. Messerschmitt, D. G. Software Ecosystem: Understanding an Indispensable Technology and Industry / D. G. Messerschmitt, C. A. Szyperski. — Cambridge (MA): MIT Press, 2003. — 438 p. DOI: 10.7551/mitpress/6323.001.0001.
8. The State of Developer Ecosystem in 2020 Infographic // JetBrains: Essential Tools for Software Developers and Teams. URL: http://www.jetbrains.com/lp/devecosystem-2020 (дата обращения 10.05.2021).
9. Overview of the State of Microsoft Software Development Ecosystem 2020 // DEV Community. — 2019. — 16 December. URL: http://dev.to/endbird/overview-of-the-state-of-mirosoft-software-development-ecosystem-2020-6j6 (дата обращения 10.05.2021).
10. Google Quantum AI. URL: http://quantumai.google (дата обращения 10.05.2021).
11. IBM Quantum. URL: http://quantum-compu-ting.ibm.com (дата обращения 10.05.2021).
12. Building Scalable, Innovative Quantum Computers // Rigetti Computing. URL: http://www.rigetti.com/what (дата обращения 10.05.2021).
13. Quil: A Portable Quantum Instruction Language // GitHub. URL: http://github.com/quil-lang/quil (дата обращения 10.05.2021).
14. Обзор Microsoft Quantum // Microsoft Azure.
URL: http ://azure .microsoft. com/ru-ru/solutions/quantum-computing (дата обращения 10.05.2021).
15. What is Azure Quantum? // GitHub.
URL: http://github.com/MicrosoftDocs/quantum-docs/blob/ main/articles/overview-azure-quantum.md (дата обращения 10.05.2021).
16. Сервисы квантовых вычислений — Amazon Braket // Amazon Web Services. URL: http://aws.amazon.com/ru/braket (дата обращения 10.05.2021).
17. What is Quantum Computing // Intel.
URL: http://www.intel.com/content/www/us/en/research/ quantum-computing.html (дата обращения 10.05.2021).
18. Strangeworks. Quantum Computing Ecosystem. URL: http://strangeworks.com (дата обращения 10.05.2021).
19. IonQ. Trapped Ion Quantum Computing. URL: http://ionq.com (дата обращения 10.05.2021).
20. Gambetta, J. IBM's Roadmap for Building an Open Quantum Software Ecosystem / J. Gambetta, I. Faro, K. Wehden // IBM Research Blog. — 2021. — 04 February. URL: http://research.ibm.com/blog/quantum-development-roadmap (дата обращения 10.05.2021).
21. Big Data for Transportation and Mobility: Recent Advances, Trends and Challenges / A. I. Torre-Bastida, J. Del Ser, I. Lana, [et al.] // IET Intelligent Transport Systems. 2018. Vol. 12, Is. 8. Pp. 742-755. D0I:10.1049/iet-its.2018.5188.
22. Introduction to Algorithms. Third Edition / T. H. Cor-men, C. E. Leiserson, R. L. Rivest, C. Stein. — Cambridge (МА): MIT Press, 2009. — 1292 p.
23. Farhi, E. A Quantum Approximate Optimization Algorithm / E. Farhi, J. Goldstone, S. Guttmann // ArXiv. 2014. Vol. 1411.4028. 16 p.
24. Mansouri, B. An Analysis of the Quantum Approximation Optimisation Algorithm // ArXiv. 2021. Vol. 2103.12791. 26 p.
25. Laney, D. 3D Data Management: Controlling Data Volume, Velocity and Variety // META Group Research Note. 2001. Vol. 6. P. 70.
26. Big Data: Related Technologies, Challenges and Future Prospects / M. Chen, S. Mao, Y. Zhang, V. C. M. Leung. — Springer International Publishing, 2014. — 101 p. — (SpringerBriefs in Computer Science).
DOI: 10.1007/978-3-319-06245-7.
27. Nam, T. Conceptualizing Smart City with Dimensions of Technology, People, and Institutions / T. Nam, T. A. Pardo // Digital Government Innovation in Challenging Times: Proceedings of the 12th Annual International Digital Government Research Conference (dg.o 2011), (College Park (MD), USA, 12-15 June 2011). — New York: Association for Computing Machinery, 2011. — Pp. 282-291.
DOI: 10.1145/2037556.2037602.
28. Bernhardt, C. R. Quantum Computing for Everyone. — Cambridge (MA): MIT Press, 2019. — 216 p.
29. Pandey, A. Quantum computing for big data analysis / A. Pandey, V. Ramesh // Indian Journal of Science. 2015. Vol. 14, No. 43. Pp. 98-104.
30. Complete 3-Qubit Grover Search on a Programmable Quantum Computer / C. Figgatt, D. Maslov, K. A. Landsman, [et al.] // Nature Communications. 2017. Vol. 8. Art. No. 1918. 9 p. DOI: 10.1038/s41467-017-01904-7.
31. Grover, L. K. A Fast Quantum Mechanical Algorithm for Database Search // Proceedings of the 28th Annual ACM Symposium on Theory of Computing (STOC '96), (Philadelphia (PA), USA, 22-24 May 1996). — New York: Association for Computing Machinery, 1996. — Pp. 212-219.
DOI: 10.1145/237814.237866.
32. Shor, P. W. Algorithms for Quantum Computation: Discrete Logarithms and Factoring // Proceedings of the 35 th Annual Symposium on Foundations of Computer Science (Santa Fe (NM), USA, 22-24 November 1994). — Institute of Electrical and Electronics Engineers, 1994. — Pp. 124-134.
DOI: 10.1109/SFCS.1994.365700.
33. Quantum Machine Learning / J. Biamonte, P. Wittek, N. Pancotti, [et al.] // Nature. 2017. Vol. 549, Is. 7671. Pp. 195-202. DOI: 10.1038/nature23474.
34. Bolshakov, M. A. Comparative Analysis of Machine Learning Methods to Assess the Quality of IT Services / M. A. Bolshakov, I. A. Molodkin, S. V. Pugachev // Proceedings of the Workshop «Models and Methods for Researching Information Systems in Transport 2020» on the Basis of the Departments «Information and Computer Systems» and «Higher Mathematics» (MMRIST 2020) (St. Petersburg, Russia, 11-12 December 2020). CEUR Workshop Proceedings. 2021. Vol. 2803. Pp. 142-149.
DOI: 10.24412/1613-0073-2803-142-149.
35. Lokhvitskii, V. A. On the Construction of a Cybervisor for the Intelligent Monitoring and Control of Data Centers / V. A. Lokhvitskii, A. D. Khomonenko, M. A. Bol' shakov // Automatic Control and Computer Sciences. 2019, Vol. 53, Is. 8. Pp. 870-873. DOI: 10.3103/S0146411619080169.
36. Shardakov, K. S. Modeling the Operation of a Distributed High-Load Monitoring System for a Data Transmission Network in a Non-Stationary Mode / K. S. Shardakov, V. P. Bub-nov, S. V. Kornienko // Proceedings of the Workshop «Models and Methods for Researching Information Systems in Transport 2020» on the Basis of the Departments «Information and Computer Systems» and «Higher Mathematics» (MMRIST 2020) (St. Petersburg, Russia, 11-12 December 2020). CEUR Workshop Proceedings. 2021. Vol. 2803. Pp. 107-116.
DOI: 10.24412/1613-0073-2803-107-116.
37. Integration of Big Data Processing Tools and Neural Networks for Image Classification / N. E. Kosykh, A. D. Khomonenko, A. P. Bochkov, A. V. Kikot // Proceedings of Models and Methods of Information Systems Research Workshop 2019 (MMISR 2019) (St. Petersburg, Russia, 04-05 December 2019). CEUR Workshop Proceedings. 2020. Vol. 2556. Pp. 52-58. DOI: 10.24412/1613-0073-2556-52-58.
DOI: 10.24412/2413-2527-2021-327-52-60
Original English text © P. V. Polikarpov, N. K. Uvarov, A. D. Khomonenko published in Proceedings of the Workshop «Intelligent Transport Systems and Transport Security 2021» on the basis of the Solomenko Institute of Transport Problems of the Russian Academy of Sciences and Emperor Alexander I St. Petersburg State Transport University (ITSTS 2021). CEUR Workshop Proceedings, 2021, Vol. 2924, Pp. 33-41.
Characteristics of Ecosystems of Quantum Computing and Prospects for Their Use in Transport
P. V. Polikarpov Abacus LLC Saint Petersburg, Russia p.polikarpov@abacus.spb.ru
N. K. Uvarov St. Petersburg Information and Computing Center Saint Petersburg, Russia nick553@mail.ru
Grand PhD A. D. Khomonenko Emperor Alexander I St. Petersburg State Transport University Saint Petersburg, Russia khomon@mail. ru
Abstract. An overview of modern software ecosystems enabling quantum computing is presented. The differences between ecosystems of quantum computing (EQC) and ecosystems of classical computing are highlighted. Provides a brief description of the most advanced quantum computing ecosystems (Google, IBM, Rigetti, Azure, Amazon, Intel, Strangeworks, IonQ). The current state of EQC, the possibilities of their use for various applications and development prospects are analyzed. Perspective areas of application of quantum computing in transport are considered.
Keywords: ecosystems of quantum computing, quantum computing in transport, big data, logistic optimization problem, quantum communication, quantum machine learning.
References
1. Kung J., Fancy M. A Quantum Revolution: Report on Global Policies for Quantum Technology, 56 p.
Available at: http://cifar.ca/wp-content/uploads/2021/05/Quan-tumReport-EN-May2021.pdf (accessed 10 May 2021).
2. Arute F., Arya K., Babbush R., et al. Quantum Supremacy Using a Programmable Superconducting Processor, Nature, 2019, Vol. 574, Is. 7779, Pp. 505-510.
DOI: 10.1038/s41586-019-1666-5.
3. Pednault E., Gunnels J., Maslov D., Gambetta J. On «Quantum Supremacy», IBM Research Blog. Published online at October 21, 2019. Available at: http://www.ibm.com/blogs/re-search/2019/10/on-quantum-supremacy (accessed 10 May 2021).
4. Preskill J. Quantum Computing in the NISQ Era and Beyond, Quantum, 2018, Vol. 2, Art. No. 79, 20 p.
DOI: 10.22331/q-2018-08-06-79.
5. Andreev S. S., Dbar S. A., Klimov Y. A., et al. Quantum Computation Model: The Classical Programmer's Viewpoint [Kvantovaya model' vychisleniy glazami klassicheskogo pro-grammista], KIAM Preprint [Preprinty IPM im. M. V. Keldy-sha], No. 178. Moscow, Keldysh Institute of Applied Mathematics of RAS, 2018, 30 p. DOI: 10.20948/prepr-2018-178.
6. Tansley A. G. The Use and Abuse of Vegetational Concepts and Terms, Ecology, 1935, Vol. 16, No 3, Pp. 284-307. DOI: 10.2307/1930070.
7. Messerschmitt D. G., Szyperski C. A. Software Ecosystem: Understanding an Indispensable Technology and Industry. Cambridge (MA), MIT Press, 2003, 438 p.
DOI: 10.7551/mitpress/6323.001.0001.
8. The State of Developer Ecosystem in 2020 Infographic, JetBrains: Essential Tools for Software Developers and Teams. Available at: http://www.jetbrains.com/lp/devecosystem-2020 (accessed 10 May 2021).
9. Overview of the State of Microsoft Software Development Ecosystem 2020, DEV Community. Published online at December 16, 2019. Available at: http://dev.to/endbird/over-view-of-the-state-of-mirosoft-software-development-ecosystem-2020-6j6 (accessed 10 May 2021).
10. Google Quantum AI. Available at: http://quantu-mai.google (accessed 10 May 2021).
11. IBM Quantum. Available at: http://quantum-compu-ting.ibm.com (accessed 10 May 2021).
12. Building Scalable, Innovative Quantum Computers, Rigetti Computing. Available at: http://www.rigetti.com/what (accessed 10 May 2021).
13. Quil: A Portable Quantum Instruction Language, GitHub. Available at: http://github.com/quil-lang/quil (accessed 10 May 2021).
14. Microsoft Quantum Review [Obzor Microsoft Quantum], Microsoft Azure. Available at: http://azure.mi-crosoft.com/ru-ru/solutions/quantum-computing (accessed 10 May 2021).
15. What is Azure Quantum? GitHub.
Available at: http://github.com/MicrosoftDocs/quantum-docs/blob/main/articles/overview-azure-quantum.md (accessed 10 May 2021).
16. Quantum Computing Services — Amazon Braket [Servisy kvantovykh vychisleniy — Amazon Braket], Amazon Web Services. Available at: http://aws.ama-zon.com/ru/braket (accessed 10 May 2021).
17. What is Quantum Computing, Intel.
Available at: http://www.intel.com/content/www/us/en/re-search/quantum-computing.html (accessed 10 May 2021).
18. Strangeworks. Quantum Computing Ecosystem. Available at: http://strangeworks.com (accessed 10 May 2021).
19. IonQ. Trapped Ion Quantum Computing. Available at: http://ionq.com (accessed 10 May 2021).
20. Gambetta J., Faro I., Wehden K. IBM's Roadmap for Building an Open Quantum Software Ecosystem, IBM Research Blog. Published online at February 04, 2021.
Available at: http://research.ibm.com/blog/quantum-develop-ment-roadmap (accessed 10 May 2021).
21. Torre-Bastida A. I., Del Ser J., Laña I., et al. Big Data for Transportation and Mobility: Recent Advances, Trends and Challenges, IET Intelligent Transport Systems, 2018, Vol. 12, Is. 8, Pp. 742-755. D01:10.1049/iet-its.2018.5188.
22. Cormen T. H., Leiserson C. E., Rivest R. L., Stein C. Introduction to Algorithms. Third Edition. Cambridge (MA), MIT Press, 2009, 1292 p.
23. Farhi E., Goldstone J., Guttmann S. A Quantum Approximate Optimization Algorithm, ArXiv, 2014, Vol. 1411.4028, 16 p.
24. Mansouri B. An Analysis of the Quantum Approximation Optimisation Algorithm, ArXiv, 2021, Vol. 2103.12791, 26 p.
25. Laney D. 3D Data Management: Controlling Data Volume, Velocity and Variety, META Group Research Note, 2001, Vol. 6, P. 70.
26. Chen M., Mao S., Zhang Y., Leung V. C. M. Big Data: Related Technologies, Challenges and Future Prospects. Springer International Publishing, 2014, 101 p.
DOI: 10.1007/978-3-319-06245-7.
27. Nam T., Pardo T. A. Conceptualizing Smart City with Dimensions of Technology, People, and Institutions, Digital Government Innovation in Challenging Times: Proceedings of the 12th Annual International Digital Government Research Conference (dg.o 2011), College Park (MD), USA, June 12-15, 2011. New York, Association for Computing Machinery, 2011, Pp. 282-291. DOI: 10.1145/2037556.2037602.
28. Bernhardt C. R. Quantum Computing for Everyone. Cambridge (MA), MIT Press, 2019, 216 p.
29. Pandey A., Ramesh V. Quantum computing for big data analysis, Indian Journal of Science, 2015, Vol. 14, No. 43, Pp. 98-104.
30. Figgatt C., Maslov D., Landsman K. A., et al. Complete 3-Qubit Grover Search on a Programmable Quantum Computer, Nature Communications, 2017, Vol. 8, Art. No. 1918, 9 p. DOI: 10.1038/s41467-017-01904-7.
31. Grover L. K. A Fast Quantum Mechanical Algorithm for Database Search, Proceedings of the 28th Annual ACM Symposium on Theory of Computing (STOC '96), Philadelphia (PA), USA, May 22-24, 1996. New York, Association for Computing Machinery, 1996, Pp. 212-219. DOI: 10.1145/237814.237866.
32. Shor P. W. Algorithms for Quantum Computation: Discrete Logarithms and Factoring, Proceedings of the 35th Annual Symposium on Foundations of Computer Science, Santa Fe (NM), USA, November 22-24, 1994. Institute of Electrical and Electronics Engineers, 1994, Pp. 124-134.
DOI: 10.1109/SFCS.1994.365700.
33. Biamonte J., Wittek P., Pancotti N., et al. Quantum Machine Learning, Nature, 2017, Vol. 549, Is. 7671, Pp. 195-202. DOI: 10.1038/nature23474.
34. Bolshakov M. A., Molodkin I. A., Pugachev S. V. Comparative Analysis of Machine Learning Methods to Assess the Quality of IT Services, Proceedings of the Workshop «Models and Methods for Researching Information Systems in Transport 2020» on the Basis of the Departments «Information and Computer Systems» and «Higher Mathematics» (MMRIST 2020), St. Petersburg, Russia, December 11-12, 2020. CEUR Workshop Proceedings, 2021, Vol. 2803, Pp. 142-149.
DOI: 10.24412/1613-0073-2803-142-149.
35. Lokhvitskii V. A., Khomonenko A. D., BoFhakov M. A. On the Construction of a Cybervisor for the Intelligent Monitoring and Control of Data Centers, Automatic Control and Computer Sciences, 2019, Vol. 53, Is. 8. Pp. 870-873.
DOI: 10.3103/S0146411619080169.
36. Shardakov K. S., Bubnov V. P., Kornienko S. V. Modeling the Operation of a Distributed High-Load Monitoring System for a Data Transmission Network in a Non-Stationary Mode, Proceedings of the Workshop «Models and Methods for Researching Information Systems in Transport 2020» on the Basis of the Departments «Information and Computer Systems» and «Higher Mathematics» (MMRIST 2020), St. Petersburg, Russia, December 11-12, 2020. CEUR Workshop Proceedings, 2021, Vol. 2803, Pp. 107-116.
DOI: 10.24412/1613-0073-2803-107-116.
37. Kosykh N. E., Khomonenko A. D., Bochkov A. P., Kikot A. V. Integration of Big Data Processing Tools and Neural Networks for Image Classification, Proceedings of Models and Methods of Information Systems Research Workshop 2019 (MMISR 2019), St. Petersburg, Russia, December 04-05, 2019. CEUR Workshop Proceedings, 2020, Vol. 2556, Pp. 52-58. DOI: 10.24412/1613-0073-2556-52-58.
