COMPARATIVE ANALYSIS OF QUANTUM AND CLASSICAL ALGORITHMS IN MODERN COMPUTING
47 67
Keywords:
machine learning, quantum algorithms, classical algorithms, computing technologies, hybrid computing, factorization, search, optimization, technological constraints, the future of computing.Abstract
This article is an overview and comparative analysis of quantum and classical algorithms in the field of computing. In the modern world, there is a period of development of high technologies. In this age, it is very effective to realize the goals that humanity has set for itself, not only using the human brain, but also using the thinking properties of the machine. The areas of artificial intelligence and machine learning are developing very rapidly, which allows you to solve tasks that were previously considered exclusively human prerogative. For the classical approach, a quick sort is used to preorder the list, and then the target element is searched. The quantum approach uses Grover's algorithm, which takes advantage of quantum computing to quickly find an item in an unordered list. The comparison results include the execution time of each algorithm and the elements found. This work demonstrates the potential of quantum algorithms in solving search
problems and provides a practical example of comparing classical and quantum methods. Machine learning is the main way to optimize and automate processes in production and other industries. quantum computing performed on quantum computers and its own state «quantum machine learning» is the technology of the future. However, despite all the advantages, these technologies are currently poorly studied. Based on a literature review, the formulation of hypotheses, the use of programming methods and the conduct of experiments, the study provides new insights into the application of different types of algorithms to different problems. The results highlight the unique advantages of quantum algorithms in highly specialized problems, the limitations in their use due to technological calls, and suggest a hybrid approach as the future of computing.
References
Лю К. Сравнение подходов к традиционным вычислениям и квантовым вычислениям //Основные события в науке, технике и технологиях. – 2023. – Т. 38. – С. 502-507.
Рана А.,Вайдья П., Гупта Г.Сравнительное исследование алгоритма квантовой машины опорных векторов для распознавания рукописного текста с алгоритмом машины опорных векторов //Материалы сегодня: Труды. – 2022. – Т. 56. – С. 2025-2030.
Канамори Ю., Ю С. М. Квантовые вычисления: принципы и приложения //Журнал международных технологий и управления информацией. – 2020. – Т. 29. – №. 2. – С. 43-71.
Нильсен М. А., Чжуанг И. Л. Квантовые вычисления и квантовая информация. – Издательство Кембриджского университета, 2010. – C. 171.
Кормен Т. Х. и др. Введение в алгоритмы. – Издательство Массачусетского технологического института, 2022. – C. 36.
Шор П. В. Первые дни квантовых вычислений //Препринт arXiv arXiv: 2208.09964. – 2022.
Алексеев Ю. и др. Квантовые компьютерные системы для научных открытий //PRX Quantum. – 2021. – Т. 2. – № 1.– С. 017001-13
Мур С., Мертенс С. Природа вычислений. – OUP Oxford, 2011. – С. 204.
Хавенштейн С., Томас Д., Чандрасекаран С. Сравнение производительности квантового и классического машинного обучения //SMU Data Science Review. – 2018. – Т. 1. – №. 4. – С. 11.
Улла М. Х. и др. Квантовые вычисления для приложений smart grid //Генерация, передача и распределение IET. – 2022. – Т. 16. – №. 21. – С. 4239-4257.
Менезес Х.М. Сравнительный анализ алгоритмов машинного обучения в классической и квантовой версиях //18-я contecsi-международная конференция по информационным системам и управлению технологиями виртуальная. – 2019.
Шарма Д., Сингх П., Кумар А. Сравнительное исследование классической и квантовой моделей машинного обучения для сентиментального анализа //Препринт arXiv arXiv: 2209.05142. – 2022
Георге-Поп И. Д. и др. Взгляд компьютерщика и программиста на квантовые алгоритмы: отображение API–интерфейсов функций и входных данных в oracles //Интеллектуальные вычисления: Материалы компьютерной конференции 2021 года, том 1. – Springer International Publishing, 2022. - С. 188-203.
Арора А. С. и др. Квантовая глубина в модели случайного оракула //Материалы 55-го ежегодного симпозиума ACM по теории вычислений. – 2023. – С. 1111-1124.
Мандвивалла А., Охширо К., Джи Б. Реализация алгоритма Гровера на квантовых компьютерах IBM //Международная конференция IEEE 2018 по большим данным (big data). – IEEE, 2018. – С. 2531-2537.
Уилш Д. и др. Крупномасштабное моделирование алгоритма квантового факторинга Шора //Математика. – 2023. – Т. 11. – №. 19. – С. 4222.
Liu Q. Comparisons of Conventional Computing and Quantum Computing Approaches //Highlights in Science, Engineering and Technology. – 2023. – Т. 38. – C. 502-507.
Rana A., Vaidya P., Gupta G. A comparative study of quantum support vector machine algorithm for handwritten recognition with support vector machine algorithm //Materials Today: Proceedings. – 2022. – Т. 56. – C. 2025-2030.
Kanamori Y., Yoo S. M. Quantum computing: principles and applications //Journal of International Technology and Information Management. – 2020. – Т. 29. – №. 2. – C. 43-71.
Nielsen M. A., Chuang I. L. Quantum computation and quantum information. – Cambridge university press, 2010. – C. 171.
Cormen T. H. et al. Introduction to algorithms. – MIT press, 2022. – C. 36.
Shor P. W. The early days of quantum computation //arXiv preprint arXiv:2208.09964. – 2022.
Alexeev Y. et al. Quantum computer systems for scientific discovery //PRX Quantum. – 2021. – Т. 2. – №. 1. – С. 017001-13
Moore C., Mertens S. The nature of computation. – OUP Oxford, 2011. – С. 204.
Havenstein C., Thomas D., Chandrasekaran S. Comparisons of performance between
quantum and classical machine learning //SMU Data Science Review. – 2018. – Т. 1. – №. 4. – С. 11.
Ullah M. H. et al. Quantum computing for smart grid applications //IET Generation,
Transmission & Distribution. – 2022. – Т. 16. – №. 21. – С. 4239-4257.
Menezes h. M. Comparative analysis of machine learning algorithms in classical and quantum versions //18th contecsi-international conference on information systems and technology management virtual. – 2019.
Sharma D., Singh P., Kumar A. A Comparative Study of Classical and Quantum Machine Learning Models for Sentimental Analysis //arXiv preprint arXiv:2209.05142. – 2022.
Gheorghe-Pop I. D. et al. Computer scientist’s and programmer’s view on quantum algorithms: mapping functions’ APIs and inputs to oracles //Intelligent Computing: Proceedings of the 2021 Computing Conference, Volume 1. – Springer International Publishing, 2022. – С. 188-203.
Arora A. S. et al. Quantum depth in the random oracle model //Proceedings of the 55th Annual ACM Symposium on Theory of Computing. – 2023. – С. 1111-1124.
Mandviwalla A., Ohshiro K., Ji B. Implementing Grover’s algorithm on the IBM quantum computers //2018 IEEE international conference on big data (big data). – IEEE, 2018. – С. 2531-2537.
Willsch D. et al. Large-scale simulation of Shor’s quantum factoring algorithm //Mathematics. – 2023. – Т. 11. – №. 19. – С. 4222.
