Κβαντική βελτιστοποίηση με μηχανική εκμάθηση

Με την ανάπτυξη της τεχνολογίας, οι κλασικοί υπολογιστές φαίνεται να φτάνουν στο όριο τους. Προκειμένου να καλυφθούν οι όλο και αυξανόμενες ανάγκες των ανθρώπων, είναι απαραίτητο να βρεθούν νέοι τρόποι αύξησης της υπολογιστικής ισχύς. Ο Richard Feynman ήταν από τους πρώτους που διαπίστωσε αυτό το φα...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Φίλιας, Φίλιππος
Άλλοι συγγραφείς: Filias, Filippos
Γλώσσα:Greek
Έκδοση: 2020
Θέματα:
Διαθέσιμο Online:http://hdl.handle.net/10889/13661
id nemertes-10889-13661
record_format dspace
spelling nemertes-10889-136612022-09-05T14:11:23Z Κβαντική βελτιστοποίηση με μηχανική εκμάθηση Quantum optimization with machine learning Φίλιας, Φίλιππος Filias, Filippos Κβαντικοί υπολογιστές Κβαντική βελτιστοποίηση Κβαντικά κυκλώματα Γενετικοί αλγόριθμοι Quantum computing Quantum optimization Quantum circuits Genetic algorithm Με την ανάπτυξη της τεχνολογίας, οι κλασικοί υπολογιστές φαίνεται να φτάνουν στο όριο τους. Προκειμένου να καλυφθούν οι όλο και αυξανόμενες ανάγκες των ανθρώπων, είναι απαραίτητο να βρεθούν νέοι τρόποι αύξησης της υπολογιστικής ισχύς. Ο Richard Feynman ήταν από τους πρώτους που διαπίστωσε αυτό το φαινόμενο.Πρότεινε λοιπόν μια υπολογιστική διάταξη, η οποία εκμεταλλεύεται τις ιδιότητες της κβαντομηχανικής για την αύξηση της απόδοσης, τους κβαντικούς υπολογιστές. Οι κβαντικοί υπολογιστές εκμεταλλεύονται ιδιότητες όπως η υπέρθεση καταστάσεων, ο εναγκαλισμός, ο κβαντικός παραλληλισμός και η κβαντική παρεμβολή. Αναμένεται να μπορούν να λύσουν προβλήματα που απαιτούν τεράστια μνήμη αρκετά πιο γρήγορα από ένα κλασικό. Παρόλα αυτά, λόγω της περιπλοκότητας της ίδιας της φύσης της κβαντομηχανικής, μόνο λίγοι αλγόριθμοι έχουν βρεθεί οι οποίοι ξεπερνούν σε απόδοση τους αντίστοιχους κλασικούς. Αυτό συμβαίνει διότι δεν είμαστε σε θέση ακόμη να κατασκευάσουμε αποδοτικά κβαντικά κυκλώματα.Τα κβαντικά κυκλώματα αποτελούνται από πύλες οι οποίες δρούν στα qubits, μετασχηματίζοντας την κατάσταση του συστήματος, έως ότου φτάσουμε στο τελικό αποτέλεσμα. Η επιλογή όμως των πυλών που θα χρησιμοποιηθούν δεν είναι πάντα προφανής.Για αυτό το λόγο, απαιτείται μια μέθοδος εύρεσης αποδοτικών κυκλωμάτων, τα οποία θα είναι όσο πιο απλά και μικρά σε βάθος γίνεται. Στην παρούσα διπλωματική, αναπτύχθηκε Γενετικός Αλγόριθμος (ΓΑ) όπου εισάγοντας τον μοναδιαίο πίνακα της μοναδιαίας αναπαράστασης την οποία θέλουμε να προσεγγίσουμε, μας δημιουργεί το αντίστοιχο κύκλωμα. Ξεκινά δημιουργώντας ένα πληθυσμό από πιθανές λύσεις (κβαντικά κυκλώματα) και με τη δράση των φυσικών τελεστών συγκλίνουν όσο το δυνατόν περισσότερο στο βέλτιστο αποτέλεσμα. Στη συνέχεια, έγινε ανάλυση των τελικών αποτελεσμάτων, βελτιστοποιώντας τα τελικά κυκλώματα. 2020-08-02T09:25:41Z 2020-08-02T09:25:41Z 2020-07-21 http://hdl.handle.net/10889/13661 gr application/pdf
institution UPatras
collection Nemertes
language Greek
topic Κβαντικοί υπολογιστές
Κβαντική βελτιστοποίηση
Κβαντικά κυκλώματα
Γενετικοί αλγόριθμοι
Quantum computing
Quantum optimization
Quantum circuits
Genetic algorithm
spellingShingle Κβαντικοί υπολογιστές
Κβαντική βελτιστοποίηση
Κβαντικά κυκλώματα
Γενετικοί αλγόριθμοι
Quantum computing
Quantum optimization
Quantum circuits
Genetic algorithm
Φίλιας, Φίλιππος
Κβαντική βελτιστοποίηση με μηχανική εκμάθηση
description Με την ανάπτυξη της τεχνολογίας, οι κλασικοί υπολογιστές φαίνεται να φτάνουν στο όριο τους. Προκειμένου να καλυφθούν οι όλο και αυξανόμενες ανάγκες των ανθρώπων, είναι απαραίτητο να βρεθούν νέοι τρόποι αύξησης της υπολογιστικής ισχύς. Ο Richard Feynman ήταν από τους πρώτους που διαπίστωσε αυτό το φαινόμενο.Πρότεινε λοιπόν μια υπολογιστική διάταξη, η οποία εκμεταλλεύεται τις ιδιότητες της κβαντομηχανικής για την αύξηση της απόδοσης, τους κβαντικούς υπολογιστές. Οι κβαντικοί υπολογιστές εκμεταλλεύονται ιδιότητες όπως η υπέρθεση καταστάσεων, ο εναγκαλισμός, ο κβαντικός παραλληλισμός και η κβαντική παρεμβολή. Αναμένεται να μπορούν να λύσουν προβλήματα που απαιτούν τεράστια μνήμη αρκετά πιο γρήγορα από ένα κλασικό. Παρόλα αυτά, λόγω της περιπλοκότητας της ίδιας της φύσης της κβαντομηχανικής, μόνο λίγοι αλγόριθμοι έχουν βρεθεί οι οποίοι ξεπερνούν σε απόδοση τους αντίστοιχους κλασικούς. Αυτό συμβαίνει διότι δεν είμαστε σε θέση ακόμη να κατασκευάσουμε αποδοτικά κβαντικά κυκλώματα.Τα κβαντικά κυκλώματα αποτελούνται από πύλες οι οποίες δρούν στα qubits, μετασχηματίζοντας την κατάσταση του συστήματος, έως ότου φτάσουμε στο τελικό αποτέλεσμα. Η επιλογή όμως των πυλών που θα χρησιμοποιηθούν δεν είναι πάντα προφανής.Για αυτό το λόγο, απαιτείται μια μέθοδος εύρεσης αποδοτικών κυκλωμάτων, τα οποία θα είναι όσο πιο απλά και μικρά σε βάθος γίνεται. Στην παρούσα διπλωματική, αναπτύχθηκε Γενετικός Αλγόριθμος (ΓΑ) όπου εισάγοντας τον μοναδιαίο πίνακα της μοναδιαίας αναπαράστασης την οποία θέλουμε να προσεγγίσουμε, μας δημιουργεί το αντίστοιχο κύκλωμα. Ξεκινά δημιουργώντας ένα πληθυσμό από πιθανές λύσεις (κβαντικά κυκλώματα) και με τη δράση των φυσικών τελεστών συγκλίνουν όσο το δυνατόν περισσότερο στο βέλτιστο αποτέλεσμα. Στη συνέχεια, έγινε ανάλυση των τελικών αποτελεσμάτων, βελτιστοποιώντας τα τελικά κυκλώματα.
author2 Filias, Filippos
author_facet Filias, Filippos
Φίλιας, Φίλιππος
author Φίλιας, Φίλιππος
author_sort Φίλιας, Φίλιππος
title Κβαντική βελτιστοποίηση με μηχανική εκμάθηση
title_short Κβαντική βελτιστοποίηση με μηχανική εκμάθηση
title_full Κβαντική βελτιστοποίηση με μηχανική εκμάθηση
title_fullStr Κβαντική βελτιστοποίηση με μηχανική εκμάθηση
title_full_unstemmed Κβαντική βελτιστοποίηση με μηχανική εκμάθηση
title_sort κβαντική βελτιστοποίηση με μηχανική εκμάθηση
publishDate 2020
url http://hdl.handle.net/10889/13661
work_keys_str_mv AT philiasphilippos kbantikēbeltistopoiēsēmemēchanikēekmathēsē
AT philiasphilippos quantumoptimizationwithmachinelearning
_version_ 1771297260264488960