سخنرانی کلیدی GTC ۲۰۲۵؛ وضعیت فعلی و چشم انداز آینده محاسبات کوانتومی(بخش اول)+ویدیوی کامل
محاسبات کوانتومی همواره توجه دانشمندان، سرمایه‌گذاران و علاقه‌مندان به فناوری را جلب کرده است. این فناوری وعده حل چالش‌هایی را می‌دهد که فراتر از توان سیستم‌های کلاسیک امروزی هستند. در رویداد «روز کوانتومی» که بخشی از NVIDIA GTC 2025 بود، رهبران چند شرکت سخت‌افزار کوانتومی حضور داشتند. جنسن هوانگ، مدیرعامل انویدیا، نیز همراه آن‌ها روی صحنه آمد. این پنل شامل افراد زیر بود:
– الن باراتز (D-Wave)
– پیتر چپمن (IonQ)
– میخائیل لوکین (مؤسس QuEra و استاد دانشگاه هاروارد).
– سوبود کولکارنی (Rigetti)
– رجیب هازرا (Quantinuum)
– لوئیک هانریت (Pasqal)
هر یک از این سازمان‌ها فناوری کوانتومی متفاوتی ارائه می‌دهند، از اتم‌های خنثی و یون‌های به دام افتاده تا کیوبیت‌های ابررسانا و آنیلینگ کوانتومی. هر شرکت‌کننده نیز دیدگاه منحصربه‌فردی در پاسخ به این پرسش کلیدی ارائه کرد: وضعیت فعلی محاسبات کوانتومی چیست؟ و چه زمانی می‌تواند به نتایج معنادار و کاربردی در دنیای واقعی دست یابد؟
صفحه اختصاصی GTC در سایت رصدخانه
مسیرهای گوناگون به سوی کوانتوم
یکی از ویژگی‌های جذاب محاسبات کوانتومی این است که رویکردهای اساساً متفاوت بسیاری در آن هم زیستی دارند. در حالی که محاسبات کلاسیک بیشتر بر ترانزیستورهای نیمه‌هادی استاندارد تکیه دارد، سخت‌افزار کوانتومی شکل‌های متنوعی به خود می‌گیرد. این سخت‌افزار می‌تواند شامل مدارهای ابررسانا، یون‌های به‌دام‌افتاده، اتم‌های خنثی، تراشه‌های فوتونیکی یا حتی کیوبیت‌های توپولوژیک باشد. در این پنل، هر یک از شرکت‌کنندگان توضیح مختصری درباره دلیل انتخاب پلتفرم خود ارائه دادند:
اتم‌های خنثی (QuEra و Pasqal)
پردازنده‌های کوانتومی مبتنی بر اتم‌های خنثی، آرایه‌هایی از اتم‌های یکسان را که توسط انبرک‌های نوری یا پرتوهای لیزر در جای خود ثابت شده‌اند، کنترل می‌کنند. از آنجا که هر اتم به‌طور طبیعی کامل است و ذرات با بار یکسان را فراهم می‌کند، این فناوری از نظر مقیاس‌پذیری مزیتی مهم دارد. برخلاف کیوبیت‌های ساختگی که ممکن است تفاوت‌هایی داشته باشند، اتم‌ها رفتاری یکنواخت‌تر نشان می‌دهند. میخائیل لوکین از QuEra و لوئیک هانریت از Pasqal توضیح دادند که آرایه‌های اتم خنثی اکنون به هزاران کیوبیت رسیده‌اند. این آرایه‌ها امکان کنترل دقیق بر نحوه اتصال کیوبیت‌ها در طول محاسبات را فراهم می‌کنند.
یون‌های به‌دام‌افتاده (IonQ و Quantinuum)
رایانه‌های مبتنی بر یون‌های به‌دام‌افتاده از اتم‌های باردار استفاده می‌کنند که در میدان‌های الکترومغناطیسی و در محیط خلاء محبوس شده‌اند و گیت‌های کوانتومی را با پالس‌های لیزر کنترل می‌کنند. یون‌های به‌دام‌افتاده از دیرباز عملیات گیت با دقت بالا را نشان داده‌اند، هرچند با سرعتی کمتر نسبت به مدارهای ابررسانا. پیتر چپمن (IonQ) تأکید کرد که فناوری IonQ تنها از رک‌های در دمای اتاق استفاده می‌کند و همین موضوع سیستم‌ها را از نظر فضای مورد نیاز ساده‌تر از setupsهای کرایوژنیک می‌سازد. رجیب هازرا (Quantinuum) خاطرنشان کرد که یون‌های به‌دام‌افتاده مسیری روشن به سوی «دقت منطقی بالا» دارند و می‌توانند کیوبیت‌های منفرد را به بلوک‌های سازنده مستحکم برای ماشین‌های بزرگ‌مقیاس تبدیل کنند.
مدارهای ابررسانا (Rigetti)
کیوبیت‌های ابررسانا مبتنی بر مدارهایی هستند که تا دمای بسیار پایین خنک می‌شوند. این فناوری از سرعت بالای گیت‌ها و سازگاری با فرآیندهای شناخته‌شده تولید نیمه‌هادی بهره می‌برد. سوبود کولکارنی (Rigetti) اشاره کرد که پیشرفتهای اخیر در دقت عملیات، ماشین‌های ابررسانای مدل گیت را به قابلیت استفاده گسترده‌تر نزدیک کرده است. بزرگ‌ترین چالش تاریخی این فناوری، نویز بوده است، اما پیشرفتهای الکترونیک کنترل و مواد، همچنان سقف عملکرد این سیستم‌ها را بالاتر می‌برند.
آنیلینگ کوانتومی (D-Wave)
اگرچه D-Wave روی سیستم‌های ابررسانای مبتنی بر گیت نیز کار می‌کند، این شرکت بیشتر به خاطر ماشین‌های آنیلینگ کوانتومی شناخته شده است. این سیستم‌های تخصصی در حل مسائل بهینه‌سازی عملکردی ممتاز دارند، زیرا با «آرامش» از یک حالت کوانتومی به حالت کم‌انرژی‌تر حرکت می‌کنند. این حالت نهایی پاسخ مسئله را در خود دارد. الن باراتز از D-Wave توضیح داد که فناوری آنیلینگ در برابر نویز مقاوم است و هم‌اکنون به هزاران کیوبیت مقیاس یافته است. این فناوری راهی برای حل مسائل گسسته بهینه‌سازی و مسائل علوم مواد فراهم می‌کند که برای روش‌های کلاسیک محاسبات بسیار چالش‌برانگیز هستند.
هم زیستی روش‌های مختلف
با وجود تنوع روش‌ها، شرکت‌کنندگان توافق داشتند که احتمالاً چندین پارادایم برای سال‌های آینده به صورت موازی وجود خواهند داشت، هرکدام برای دسته‌ای خاص از مسائل بهینه هستند. با گذشت زمان، ممکن است برخی همگرایی‌ها پدیدار شوند، اما در حال حاضر، رقابت سالم به پیشرفت نوآوری در جبهه‌های مختلف دامن می‌زند.
چه زمانی کوانتوم «مفید» خواهد بود؟
جنسن هوانگ با اشاره به پیچیدگی‌های این حوزه، پرسش محوری ذهن تمام رصدکنندگان صنعت را مطرح کرد: چه زمانی شاهد محاسبات کوانتومی واقعاً مفید خواهیم بود؟ این سوال را می‌توان به دو بخش تقسیم کرد:
۱. منظور از «مفید» چیست؟
۲. چقدر به آن نقطه عطف نزدیک یا دور هستیم؟
تعریف «مفید بودن»
شرکت‌کنندگان در پنل تأکید کردند که نباید انتظار داشت سیستم‌های کوانتومی جایگزین رایانه‌های معمولی شوند؛ بلکه آن‌ها در حل مسائلی که می‌توان از پدیده‌های کوانتومی بهره برد—مانند شبیه‌سازی مواد شیمیایی یا ترکیبات جدید، بهینه‌سازی شبکه‌های پیچیده، یا تولید داده‌های کوانتومی که می‌توانند آموزش هوش مصنوعی را تقویت کنند—کارایی بهتری خواهند داشت. به عبارت دیگر، کوانتوم بیشتر شبیه یک «پردازنده کمکی» پیشرفته برای ابررایانه‌های کلاسیک (HPC) است تا یک جایگزین همه‌منظوره.
در واقع، بسیاری پیشنهاد دادند که باید نگاهمان را تغییر دهیم: این دستگاه‌ها پردازنده‌های کوانتومی یا ابزارهای کوانتومی هستند، نه «رایانه» به معنای متداول آن. به جای اجرای برنامه‌های معمولی یا نرم‌افزارهای روزمره، آن‌ها بر وظایفی تمرکز دارند که به درهم‌تنیدگی، برهم‌نهی و سایر اثرات کوانتومی وابسته اند. نکته کلیدی این است که این ماشین‌ها را مکمل ابررایانه‌های کلاسیک بدانیم: بخش کوانتومی «قسمت سختِ کوانتومی» مسئله را حل می‌کند، در حالی که CPUها و GPUها بقیه کارها را انجام می‌دهند.
نمونه‌های عملی
چندین کاربرد اولیه از هم اکنون نویدبخش هستند:
۱. کشف مواد و ترکیبات شیمیایی
بررسی مولکول‌های جدید یا فازهای ناشناخته ماده اغلب نیازمند شبیه‌سازی تعاملات کوانتومی پیچیده است—کاری که رایانه‌های کلاسیک در انجام آن با دقت کامل مشکل دارند. سیستم‌های کوانتومی می‌توانند این ویژگی‌ها را مستقیماً شبیه‌سازی کنند و بینش‌هایی برای صنایع دارویی، مواد پایدار، ترکیبات باتری و موارد دیگر فراهم آورند.
۲. پیشرفتهای علمی
میخائیل لوکین (QuEra) درباره استفاده از پردازنده‌های کوانتومی برای کاوش حالت‌های جدید ماده و فیزیک خارج از تعادل صحبت کرد—دستاوردهای علمی اولیه‌ای که ممکن است در بلندمدت به کاربردهای تجاری منجر شوند.
۳. بهینه‌سازی و لجستیک
ماشین‌های آنیلینگ کوانتومی D-Wave و برخی سیستم‌های مبتنی بر گیت می‌توانند مسائل بهینه‌سازی ترکیبی (مانند مسیریابی، زنجیره تأمین و زمانبندی) را حل کنند که هنوز برای روش‌های کلاسیک چالش‌برانگیز هستند. هرچند ابررایانه‌های کلاسیک الگوریتم‌های پیشرفتهای برای بهینه‌سازی دارند، روش‌های کوانتومی ممکن است برای مسائل به‌ویژه بزرگ یا پیچیده، سرعت بالاتر یا راه‌حل‌های بهبودیافته ارائه دهند.
هوش مصنوعی و یادگیری ماشین
سخت‌افزارهای کوانتومی می‌توانند داده‌های مدل‌سازی دقیق‌تری برای الگوریتم‌های هوش مصنوعی فراهم کنند—به‌ویژه در حوزه‌هایی که نیازمند شبیه‌سازی‌های کوانتومی هستند—و با ارائه مجموعه‌های آموزشی بهتر، شکاف‌هایی را پر کنند که روش‌های کلاسیک قادر به حل آن‌ها نیستند. شرکت‌کنندگان به گردش کارهای ترکیبی «QPU + GPU» اشاره کردند که در آن، یک پردازنده کوانتومی، داده‌های تخصصی را به مدل‌های بزرگ‌مقیاس تغذیه می‌کند و به طور بالقوه راه‌حل‌های هوش مصنوعی را تسریع یا بهبود می‌بخشد.
اگرچه کاربردهای واقعی و کوتاه‌مدتی وجود دارند، هیچ‌یک از شرکت‌کنندگان ادعا نکردند که ماشین‌های کوانتومی تا سال ۲۰۲۵ به‌طور کامل این چالش‌ها را حل می‌کنند. در عوض، پروژه‌های آزمایشی و همکاری‌های تحقیقاتی با صنعت، زمینه را برای یکپارچه‌سازی عمیق‌تر در سال‌های آینده فراهم می‌کنند.
نقش ابررایانه‌های کلاسیک و هوش مصنوعی
برخلاف این تصور نادرست که فناوری کوانتومی ممکن است جایگزین سخت‌افزارهای کلاسیک شود. شرکت‌کنندگان تأکید کردند که سیستم‌های کوانتومی و کلاسیک باید دست‌در‌دست هم کار کنند. کیوبیت‌ها دستگاه‌های حساسی هستند و به کنترل‌های کلاسیک گسترده‌ای نیاز دارند (از جمله پردازنده‌های گرافیکی برای تصحیح خطا، بهینه‌سازی گیت‌ها و بازخورد بلادرنگ). خوشه‌های ابررایانه‌ای نیز می‌توانند مدارهای کوانتومی یا فرآیندهای آنیلینگ را در مراحل اولیه آزمایش شبیه‌سازی کنند.
جنسن هوانگ و سایر اعضای پنل توافق داشتند که محاسبات شتاب‌یافته کلاسیک—و به‌ویژه هوش مصنوعی—هنوز پتانسیل عظیمی برای پیشرفت دارد. در ترکیب با فناوری کوانتومی، ابررایانه‌ها می‌توانند زیرمسئله‌هایی را که مکانیک کوانتومی در آن‌ها مزیت واقعی دارد، تفکیک کنند و به راه‌حل‌های نوین یا سریع‌تر در کل فرآیند منجر شوند. این هم‌نوایی یک تم تکرارشونده بود:
«تصور کنید یک QPU، یک GPU و یک CPU همگی با هم روی حل یک مسئله مشترک کار می‌کنند.»
— به نقل از پیتر چپمن (IonQ)
با بهره‌گیری از قدرت خام ابررایانه‌ها و قابلیت‌های تخصصی کوانتوم، دانشمندان و متخصصان صنعت می‌توانند گردش کارهای ترکیبی ایجاد کنند. یک سناریوی احتمالی: استفاده از پردازنده‌های گرافیکی برای آماده‌سازی یا «پیش‌شرط‌گذاری» پیکربندی‌های مولکولی، سپس انتقال مسئله به یک دستگاه مبتنی بر اتم‌های خنثی یا یون‌های به‌دام‌افتاده برای انجام سنگین‌ترین مرحله کوانتومی، و در نهایت بازگرداندن نتیجه به یک مدل هوش مصنوعی مبتنی بر GPU که خروجی را اصلاح یا تفسیر می‌کند.
این رویکرد ترکیبی نه‌تنها محدودیت‌های فعلی هر دو فناوری را جبران می‌کند، بلکه راه را برای دستیابی به راه‌حل‌هایی باز می‌کند که پیش از این غیرممکن به نظر می‌رسیدند.
چالش‌ها و فرصت‌ها
مقیاس‌پذیری و تصحیح خطا
چه اتم‌های خنثی، چه یون‌های به دام افتاده و چه کیوبیت‌های ابررسانا، تمام فناوری‌های کوانتومی با دو چالش اساسی مواجه هستند: مقیاس‌پذیری کیوبیت‌ها و مدیریت خطا. شرکت‌کنندگان تأکید کردند که حل مسائل پیچیده به هزاران – اگر نه میلیون‌ها – کیوبیت با دقت بالا نیاز دارد که فراتر از توانایی‌های فعلی است. با این حال، آن‌ها اشاره کردند که روش‌های تخصصی کاهش و تصحیح خطا به سرعت در حال پیشرفت هستند. اگر دقت سخت‌افزارهای کوانتومی همچنان بهبود یابد (که برخی شرکت‌ها ادعا می‌کنند به دقت بیش از ۹۹٪ در گیت‌های دوکیوبیتی دست یافته‌اند)، کامپیوترهای کوانتومی با قابلیت تصحیح خطا به واقعیتی هرچه نزدیک‌تر تبدیل خواهند شد.
وعده‌های بزرگ و تحقق ناکافی
لحظه‌ای طنزآمیز زمانی ایجاد شد که جنسن هوانگ به یاد آورد چگونه اظهارات گذرای او درباره زمانبندی تحقق فناوری کوانتوم باعث نوسانات بازار برای چندین شرکت کوانتومی عمومی شده بود. این خاطره نشان‌دهنده شکاکیت گسترده و تمایل رسانه‌ها به نوسان بین هیجان و سرخوردگی است. شرکت‌کنندگان تأکید کردند که هیجان‌آفرینی درباره «جایگزینی» کامپیوترهای کلاسیک کمکی نمی‌کند – فناوری کوانتوم به این زودی‌ها تبدیل به کامپیوتری همه‌منظوره برای استفاده روزمره نخواهد شد. در عوض، آن‌ها بر تمرکز بر وظایف تخصصی و پرتأثیری تأکید کردند که این ماشین‌ها می‌توانند در همکاری با سیستم‌های کلاسیک انجام دهند.
شتاب گرفتن زمان‌بندی‌ها
با وجود احتیاط، بسیاری از شرکت‌کنندگان خوشبین بودند که پیشرفتهای سریع‌تری ممکن است. اگرچه مقیاس‌پذیری به خودی خود تضمینی برای حل فوری مسائل نیست، اما زمینه را برای پرداختن به مشکلات بزرگتر فراهم می‌کند. اجماع این بود که هر سال احتمالاً شاهد ظهور موارد استفاده «کوچک اما مهم» از فناوری کوانتوم خواهیم بود – از شبیه‌سازی مواد پیشرفته گرفته تا بهینه‌سازی‌های تخصصی در امور مالی یا زنجیره تأمین.
چشم‌انداز آینده: انتظارات برای سال آینده
در پایان این گفت‌وگو، هر یک از اعضای پنل پیش‌بینی خود را درباره محورهای اصلی بحث‌های آینده مطرح کردند:
الن باراتز (D-Wave):
استفاده گسترده‌تر از محاسبات کوانتومی در آموزش مدل‌های هوش مصنوعی و استنتاج، به‌ویژه برای مسائل بهینه‌سازی با ارزش بالا.
پیتر چپمن (IonQ):
ظهور کاربردهای عملیاتی برای مشتریان و ورود بارهای کاری کوانتومی واقعی به فرآیندهای صنعتی.
لوئیک هانریت (Pasqal):
استفاده روزمره از ماشین‌های مبتنی بر اتم‌های خنثی در مقیاس بزرگتر و درس‌های کلیدی حاصل از پیاده‌سازی‌های واقعی.
رجیب هازرا (Quantinuum):
عامل‌های هوشمند عملیاتی که از داده‌های کوانتومی برای دستیابی به پیشرفتهای چشمگیر در حوزه‌های شیمی و زیست‌شناسی استفاده می‌کنند.
سوبود کولکارنی (Rigetti):
کاهش شکاکیت‌ها به‌دنبال نمایش‌های عملی روشن‌تر که گفت‌وگوها را از «آیا کوانتوم مفید است؟» به «چگونه می‌توان آن را به بهترین شکل در مراکز داده ادغام کرد؟» تغییر خواهد داد.
میخائیل لوکین (QuEra):
دست کم ده کشف علمی جدید – به‌ویژه در فیزیک و شیمی – که توسط پردازنده‌های کوانتومی کوتاه‌مدت ممکن می‌شوند.
اگرچه نظرات درباره اینکه کدام کاربردها زودتر به نتیجه می‌رسند متفاوت بود، اما همه در این دیدگاه مشترک بودند که محاسبات کوانتومی با گام‌های استوار به سمت کارایی بیشتر در حرکت است. بازار و جامعه تحقیقاتی به زودی خواهند فهمید که کدام روش‌ها و موارد استفاده زودتر به بلوغ می‌رسند.
نتیجه‌گیری
محاسبات کوانتومی دیگر یک تلاش صرفاً دانشگاهی نیست؛ این حوزه در حال تبدیل شدن به قلمرویی با چندین سخت‌افزار اختصاصی است که با سرمایه‌گذاری‌های کلان دولتی و خصوصی حمایت می‌شود. گفت‌وگوی روز کوانتومی در NVIDIA GTC ۲۰۲۵ چندین موضوع کلیدی را برجسته کرد:
تنوع روش‌ها – هیچ فناوری کوانتومی انحصاری ندارد. سیستم‌های ابررسانا، یون‌های به‌دام‌افتاده، اتم‌های خنثی و ماشین‌های مبتنی بر آنیلینگ، هرکدام مزایا و معاوضه‌های منحصربه‌فردی دارند.
کاربردهای باارزش – به جای جایگزینی سیستم‌های کلاسیک، دستگاه‌های کوانتومی بر روی وظایفی با پیچیدگی ذاتی کوانتومی مانند شبیه‌سازی شیمیایی یا برخی گردش‌کارهای بهینه‌سازی و هوش مصنوعی متمرکز خواهند شد.
همکاری با ابررایانه‌ها – زیرساخت‌های پیشرفته کلاسیک (پردازنده‌های مرکزی، پردازنده‌های گرافیکی و شتاب‌دهنده‌های هوش مصنوعی) برای کنترل، شبیه‌سازی و تکمیل ماشین‌های کوانتومی حیاتی باقی خواهند ماند.
پیشرفت مستمر – سطح دقت در حال افزایش است، سخت‌افزارها در حال گسترش هستند و کاربردهای آزمایشی در حال ظهورند – با این حال، ساخت یک سیستم کوانتومی «همه‌منظوره» همچنان مسیری چندساله در پیش دارد.
کوانتوم در آستانه جهش: فرصتی استراتژیک برای رهبران آینده‌نگر
برای رهبران کسب‌وکار، نکته کلیدی این است که وعده محاسبات کوانتومی واقعی است و به تحقق نزدیک‌تر می‌شود. در سال‌های آینده، انتظار می‌رود شاهد جریان فزاینده‌ای از اثبات‌های مفهومی موفق و راه‌حل‌های تخصصی، به‌ویژه در حوزه‌هایی مانند مواد پیشرفته، کشف دارو، بهینه‌سازی پیچیده و احتمالاً تولید داده‌های آموزشی هوش مصنوعی باشیم.
اگرچه ممکن است هنوز برای تأثیرگذاری کوانتوم بر کل صنایع زود باشد، اما بذرها کاشته شده‌اند. مدیران و متخصصانی که اکنون با این حوزه درگیر می‌شوند – و می‌آموزند که چه زمانی، کجا و چگونه کوانتوم می‌تواند راه‌حل‌های جدیدی ارائه دهد – احتمالاً جزو اولین کسانی خواهند بود که بازده واقعی این «پردازنده‌های کوانتومی» منحصربه‌فرد را مشاهده می‌کنند.
به بیان ساده، کوانتوم ابزاری دقیق و قدرتمند است. با گذشت زمان، ممکن است به یک تقویت‌کننده استراتژیک برای محاسبات مدرن تبدیل شود و با تقویت رویکردهای ابررایانشی و هوش مصنوعی، مسائلی که زمانی حل‌ناشدنی به نظر می‌رسیدند را پاسخ دهد.
برای هر کسی که از حاشیه به این تحولات نگاه می‌کند، پیام پنل کوانتومی NVIDIA GTC روشن است: آن آینده هم‌اکنون در حال شکل‌گیری است.
