پرونده/ پردازش کوانتومی، هوش مصنوعی و صنعت تولید

به گزارش خبرنگار گرداب اگر فروشندگان اصلی این فناوری به وعده های خود عمل کنند، 5 تا 10 میلیارد دلار آن در پنج سال آینده تولید خواهد شد. بزرگترین وعده چنین رایانه‌هایی در حل مسائل بزرگ ترکیبی است. مسایلی که رایانه های کنونی عاجز از حل آن‌ها هستند و با پیشرفت بیشتر پردازش کوانتومی این احتمال وجود دارد که به طور کلی نسل رایانه های کنونی منسوخ شود، زیرا رایانۀ کوانتومی آماده است تا حل مسائل ترکیبی در مقیاس بزرگ را سریع‌تر و ارزان‌تر کند.

این مسالۀ بسیار مهمی برای کل امور تجاری و صنعتی است، زیرا برای ارزیابی موقعیت‌ها در هر صنعت و حوزه ای، اولین قدم شناسایی مشکلات ترکیبی است که در صورت حل شدن می‌توانند ارزش قابل توجهی ایجاد کنند و این کار تنها از دست رایانه های کوانتومی برمی آید. این روز‌ها با بالا گرفتن بحث در این زمینه، چیزی که همه توجهات را به خود جلب کرده است، کاربرد‌های این فناوری نوظهور است. تا کنون محققان و دانشمندان توانسته اند خیل عظیمی از کاربرد‌های این فناوری را در حوزه ها و زمینه های بشدت متکثر نشان دهند.

درک تغییرات تکنولوژیک به عنوان کاهش هزینه برخی از عوامل، سابقه طولانی در ادبیات اقتصادی و مدیریت دارد، به عنوان مثال محاسبات برای رایانه، جستجوی اینترنت، و پیش‌بینی برای یادگیری ماشین. اکنون در اینجا تمرکز ما بر روی کاربرد محاسبات کوانتومی برای مشکلات مربوط به صنعت و خط تولید کارخانه ها است. در این متن، تعدادی نمونه از صنایع را ارائه می کنیم که محاسبات ترکیبی بهتر ممکن است آن‌ها را دگرگون کند.

پردازش کوانتومی، هوش مصنوعی و خط تولید کارخانه ها

همیشه یکی از دشوار‌های خط تولید در کارخانه ها، تولید همه جانبه و کاملا درست محصول است. برای همین است که هر خط تولید با یک سریال خاص تحت عنوان سری تولید مشخص می شود تا طبق آن بتوان همه محصولات را از نظر درستی و کارایی بررسی کرد. زیرا هیچ کارخانه و مشتری ای دوست ندارد با یک محصول خراب مواجه شود. در نتیجه، کارخانه ها برای بررسی کل خط تولید خود باید مراحل پیچیدۀ بسیاری را پشت سر بگذارند که محاسبۀ آن فرایند چند متغیره از عهدۀ رایانه های فعلی خارج است و تنها رایانه های کوانتومی از پس آن برمی آیند. زیرا آن‌ها قابلیت پردازش محاسبات دارای تعداد متغیر بسیار بالا را دارند.

حال اینجاست که شرکت هوش مصنوعی Solid State AI در تلاش است تا تولید پیشرفته را کارآمدتر کند و به کمک کارخانه ها بیایید. آن‌ها بر کمک به شرکت‌ها برای شناسایی علت خطا‌های نادر در فرآیند‌های تولید متمرکز هستند. خطا، اگرچه نادر است، اما می تواند بسیار پرهزینه باشد و بنابراین پیش بینی این رویداد‌ها می تواند صرفه جویی زیادی ایجاد کند. این‌ها نیز مسائل ترکیبی دشواری هستند که مربوط به یافتن یک خطای واحد در سیستم‌هایی است که در آن بسیاری از توالی های ممکن نیاز به بررسی دارند. این مسئله ای است که اغلب با مجموعه داده های نامتعادل به وجود می آید.

اغلب اوقات، فرآیند‌ها همانطور که انتظار می رود عمل می کنند و خطا‌ها نادر هستند. این بدان معنی است که اطلاعات زیادی در مورد خطا‌های گذشته نسبت به تعداد مواردی که ممکن است اشتباه پیش بروند وجود ندارد. این همچنین به این معنی است که برای تحلیل‌های آماری استاندارد توضیح میزان خطا چالش برانگیز است، زیرا بسیاری از مسیر‌های ممکن می‌توانند همان خطا را توضیح دهند. ارزیابی این که چرا فرآیند‌ها در این تنظیمات شکست می‌خورند، زمانی پیچیده‌تر می‌شود که ترکیب‌های احتمالی زیادی از رویداد‌ها وجود داشته باشد که باید برای درک علت وقوع خطا ارزیابی شوند. یعنی زمانی که نسبت سیگنال به نویز بسیار پایین است.

مشکل پس از آن یافتن کوتاه ترین مسیر در میان بسیاری از مسیر‌های ممکن است. در اینجا، هدف یافتن توالی رویداد‌هایی است که منجر به خطا در میان بسیاری از توالی‌های ممکن شده است. همانطور که گفته شد امروزه در بسیاری از فرآیند‌های تولید پیشرفته، خطا نادر، اما بسیار پرهزینه است. به عنوان مثال، در فرآیند ساخت تراشه‌های CPU ممکن است در هر 10000 اجرا، 2 خرابی در زمانی که همه دستگاه‌ها به درستی کالیبره شوند، وجود داشته باشد. علاوه بر این، می‌تواند هزاران مرحله در فرآیند تولید یک تراشه وجود داشته باشد و هر مرحله از فرآیند ممکن است حسگر‌ها و نشانگر‌های مختلفی داشته باشد که می‌تواند خوانش‌های متفاوتی داشته باشد.

در این تنظیمات، تعداد ترکیب‌هایی که باید ارزیابی شوند با هر مرحله فرآیند جدید (و هر مجموعه از شاخص‌های جدیدی که آن مرحله فرآیند را همراهی می‌کنند) به‌طور تصاعدی افزایش می‌یابد. اگر خطا رایج باشد (مثلاً نرخ خطا 20%)، روش‌های آماری مرسوم برای استنتاج پیوند‌های علّی بین عوامل مختلف و خطا قابل اجرا خواهند بود. علاوه بر این، برای تولید کمتر پیشرفته، مانند تولید لباس که می تواند حداقل 15 مرحله را شامل شود، راه حل‌های استاندارد نیز امکان پذیرتر هستند، زیرا مسائل ترکیبی آن آنقدر‌ها چالش برانگیز نیستند. به عبارت دیگر، اگرچه حل مشکلات در هر مرحله چالش برانگیزتر می شود، اما از نظر مادی مراحل کمتری در این فرآیند وجود دارد و بنابراین ترکیبات کمتری برای ارزیابی وجود دارد.

بنابراین، محاسبات کوانتومی در تنظیمات با نرخ خرابی بالا یا در تولید کمتر پیشرفته با مراحل کمتر، به احتمال زیاد مزایایی فراتر از روش‌های فعلی ارائه نمی‌کند. شرکت Solid State AI بسیاری از چالش‌ها را در تولید پیشرفته ارزیابی می‌کند، از جمله خرابی فرآیند زمانی که خطا نادر است. این شرکت با ارائه دهندگان سخت افزار کوانتومی برای درک و کاهش چنین خطا‌هایی همکاری و آزمایش کرده است. در حالی که سخت افزار مورد نیاز برای یک راه-حل کوانتومی هنوز در مقیاس قابل اطمینان در دسترس نیست، این شرکت توانسته است از طریق توسعه الگوریتم‌های کلاسیک الهام گرفته شده از پردازش کوانتومی که راه حل‌های بهبود یافته ای را با استفاده از زیرساخت‌های محاسباتی کلاسیک ارائه می دهد، به کمک کارخانه ها و سازندگان پیشرفته بیایید.

این کمک پیشنهادی به سازندگان پیشرفته برای استفاده از این نوع راه حل‌های الهام گرفته از پردازش کوانتومی برای پیش بینی بهتر خرابی‌ها و خطا‌های نادر، اما پرهزینه، دو مزیت دارد. ما می توانیم هر دو مزیت را با تجزیه و تحلیل DuPont نشان دهیم. در یکی از مشخصات فرمول، تجزیه و تحلیل DuPont شامل تفکیک بازده دارایی‌ها به دو نسبت مختلف است: حاشیه سود و گردش کل دارایی. حاشیه سود اغلب نشانگر ماهیت رقابت در بازار یا ماهیت تعیین قیمت بنگاه یا صنعت آن است. همچنین، گردش کل دارایی ها میزان استفاده کارآمد شرکت از دارایی‌های خود را اندازه گیری می کند.برای اکثر شرکتها، این دو نسبت در جهت مخالف حرکت می کنند. به عنوان مثال، یک فروشگاه دلاری معمولاً حاشیه سود کمتری دارد، زیرا در قیمت رقابت می کند، اما گردش مالی بیشتری دارد، زیرا محصولات آن برای تعداد بیشتری از مصرف کنندگان مقرون به صرفه است. تولیدکنندگان پیشرفته مانند سازندگان تراشه ممکن است گردش دارایی کمتری داشته باشند، زیرا مدت زمان زیادی طول می کشد تا یک تراشه تولید شود، اما احتمالاً حاشیه سود بالاتری نسبت به یک فروشگاه دلاری دارد، زیرا هر شرکتی تخصص فنی لازم برای ورود به بازار تراشه را ندارد و حاشیه سود آن‌ها اغلب در حال افزایش است، زیرا مانع ورود دیگر شرکت‌ها به بازار شده اند.

بنابراین، انجام پیش‌بینی‌های بهتر با داده‌های نامتعادل از طریق راه‌حل‌های الهام‌گرفته از پردازش کوانتومی ممکن است عملیات تفکیک بازده دارایی‌ها برای کارخانه ها را از دو طریق بهبود بخشد. اول، با کاهش زمان خرابی، کارایی و (به نوبه خود) گردش دارایی بهبود می یابد. این بهبود گردش کل دارایی‌ها نیز تأثیر مثبتی بر عملیات تفکیک بازده دارایی‌ها دارد. دوم، شرکت با بهبود حاشیه سود مقرون به صرفه تر می شود و بهبود حاشیه سود نیز عملیات تفکیک بازده دارایی‌ها را بهبود بخشد.

جمع بندی
در این متن، دو مورد از اساسی ترین مسایل صنایع و خطوط تولید کارخانه ها یعنی جلوگیری از تولید محصول خراب و همچنین افزایش درآمد و دارایی از طریق بازی در بازار را شرح دادیم. همانطور که گفته شد رایانه های کنونی توانایی و ظرفیت محاسبۀ عملیات‌های دارای متغیر‌های کثیر را ندارند و برای انجام چنین محاسباتی به رایانه های کوانتومی نیاز است. در این متن شرح دادیم که برای مثال شرکت هوش مصنوعی Solid State AI چگونه با استفاده از پردازش کوانتومی به کمک صنایع و کارخانه های پیشرفته می آید.
در پایان باید گفت علی رغم این که پردازش کوانتومی جنجال و هیاهوی بسیاری به پا کرده است، اما همچنان مسیر بسیار درازی در پیش دارد. با این حال سرمایه گذاری‌های عظیمی در آن صورت گرفته است که هر آینه، امکان جهش و پیشرفت آن را چند برابر می کند.

__________________________

منبع

bcg.com/publications/2021/building-quantum-advantage

solidstate.ai/

Bova, F. , Goldfarb, A. & Melko, R.G. Commercial applications of quantum computing. EPJ Quantum Technol. ۸, ۲ (۲۰۲۱). https://doi.org/۱۰.۱۱۴۰/epjqt/s۴۰۵۰۷-۰۲۱-۰۰۰۹۱-۱