СРАВНИТЕЛЬНЫЙ АНАЛИЗ КВАНТОВЫХ И КЛАССИЧЕСКИХ АЛГОРИТМОВ В СОВРЕМЕННЫХ ВЫЧИСЛЕНИЯХ
Ключевые слова:
машинное обучение, квантовые алгоритмы, классические алгоритмы, вычислительные технологии, гибридные вычисления, факторизация, поиск, оптимизация, технологические ограничения, будущее вычислений.Аннотация
Данная статья представляет собой обзор и сравнительный анализ квантовых и классических алгоритмов в области вычислений. В современном мире идет этап развития высоких технологий. В настоящее время наиболее эффективно реализовать поставленные человечеством цели не только с помощью человеческого мозга, но и с помощью свойств мышления машины. Особенно интенсивно развиваются области искусственного интеллекта и машинного обучения, которые позволяют решать задачи, которые до этого считались только прерогативой человека. Для классического подхода используется быстрая сортировка для предварительной упорядоченности списка, а затем осуществляется поиск целевого элемента. Для квантового подхода применяется алгоритм Гровера, который использует преимущества квантовых вычислений для быстрого поиска элемента в неупорядоченном списке. Результаты сравнения включают в себя время выполнения каждого алгоритма и найденные элементы. Эта работа демонстрирует потенциал квантовых алгоритмов в решении задач поиска и предоставляет практический пример сравнения классических и квантовых методов. Машинное обучение является основным способом оптимизации и автоматизации процессов в промышленности и других отраслях. квантовые вычисления, выполняемые на квантовых компьютерах, и их собственный случай «обучение квантовым машинам» являются настоящей технологией будущего. Однако, несмотря на все преимущества, эти технологии в настоящее время плохо изучены. Исследование, основанное на обзоре литературы, формулировании гипотез, использовании методов программирования и проведении экспериментов, дает новое понимание применения различных типов алгоритмов к различным задачам. Результаты подчеркивают уникальные преимущества квантовых алгоритмов в узкоспециализированных задачах, ограничения на их использование из-за технологических вызовов и предлагают гибридный подход как будущее вычислений.
Библиографические ссылки
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.
