Компания Fujitsu сначала создала компьютер, работающий по технологии квантового отжига (annealing), а затем с его помощью оптимизировала подбор заказов на собственном складе электронных компонентов, до 45% сократив затраты времени.
На складе площадью 1000 кв. метров размещены 3000 наименований компонентов, использующихся в производстве серверов и систем хранения. Исторически Fujitsu пользовалась аутстаффингом для подбора заказов, однако, однажды решив организовать подбор силами штатных сотрудников, пришла к пониманию, что процесс трудоемок и требует высокой квалификации, а значит, длительного обучения персонала. Поскольку параллельно велись работы над созданием эмулятора квантовых вычислений, реализующего некоторые принципы квантовой механики на традиционном железе (по-английски называется «Digital Annealer», можно перевести как «программный аннилер»), решено было испытать его на задаче оптимизации подбора заказов.
Был организован облачный доступ к аннилеру в реальном времени и написана простая программная оболочка для визуализации маршрутов на планшетах сборщиков заказов. Сразу после внедрения, средняя длина маршрута подбора и время сократились на 20%, кроме того, отпала необходимость привлекать к подбору квалифицированных сотрудников. Следующим шагом стало перераспределение мест хранения компонентов на основе данных об оптимальных маршрутах – в результате экономия времени возросла до 45%. В качестве дальнейших шагов запланированы подключение облачного аннилера к задачам оптимизации рабочих смен и размещения заказов.
Квантовые алгоритмы + традиционные технологии реального времени = измеримый результат. QuScape обладает экспертизой в подобных решениях.
На складе площадью 1000 кв. метров размещены 3000 наименований компонентов, использующихся в производстве серверов и систем хранения. Исторически Fujitsu пользовалась аутстаффингом для подбора заказов, однако, однажды решив организовать подбор силами штатных сотрудников, пришла к пониманию, что процесс трудоемок и требует высокой квалификации, а значит, длительного обучения персонала. Поскольку параллельно велись работы над созданием эмулятора квантовых вычислений, реализующего некоторые принципы квантовой механики на традиционном железе (по-английски называется «Digital Annealer», можно перевести как «программный аннилер»), решено было испытать его на задаче оптимизации подбора заказов.
Был организован облачный доступ к аннилеру в реальном времени и написана простая программная оболочка для визуализации маршрутов на планшетах сборщиков заказов. Сразу после внедрения, средняя длина маршрута подбора и время сократились на 20%, кроме того, отпала необходимость привлекать к подбору квалифицированных сотрудников. Следующим шагом стало перераспределение мест хранения компонентов на основе данных об оптимальных маршрутах – в результате экономия времени возросла до 45%. В качестве дальнейших шагов запланированы подключение облачного аннилера к задачам оптимизации рабочих смен и размещения заказов.
Квантовые алгоритмы + традиционные технологии реального времени = измеримый результат. QuScape обладает экспертизой в подобных решениях.
Квантовые технологии пришли в коммерческое искусство. Цифровая картина под названием «Эвереттовы вибрации» (Everettian vibrations) была создана с использованием технологии квантовой нейронной сети, упакована в NFT-токен и продана на сайте rarible.com за ETH 5 (RUB 882 тыс. по текущему курсу 😱).
Название работы отсылает к концепции параллельных Вселенных (Мультивселенных), впервые математически описанной Хью Эвереттом в 1957 г. Автор – Гийом Вердон – сотрудник Alphabet – утверждает, что картина полностью создана с помощью квантового компьютера.
Окрыленный успехом, автор выставил на продажу еще 8 похожих картин - спешите купить!😂
Название работы отсылает к концепции параллельных Вселенных (Мультивселенных), впервые математически описанной Хью Эвереттом в 1957 г. Автор – Гийом Вердон – сотрудник Alphabet – утверждает, что картина полностью создана с помощью квантового компьютера.
Окрыленный успехом, автор выставил на продажу еще 8 похожих картин - спешите купить!😂
Квантовые алгоритмы успешно работают и без квантовых компьютеров
Одним из продуктов металлургического производства является оцинкованный прокат, потребителями которого являются строительная, автомобильная промышленность и другие отрасли.
Покрытие тонким слоем цинка – эффективный способ защиты стали от коррозии – осуществляется в агрегатах непрерывного горячего цинкования. Существуют и другие технологии, однако эта – наиболее производительная, позволяющая получать до 1 млн т продукции в год на одной линии. На вход подается стальная полоса в рулонах, полученных на предыдущем переделе, концы рулонов свариваются для непрерывной подачи в агрегат, а на выходе полоса снова нарезается на товарные рулоны.
Входные рулоны имеют разную геометрию, а товарная продукция должна иметь различную толщину напыления и ряд других параметров, в зависимости от партии для каждого конкретного заказчика. В результате, при переходе от рулона к рулону зачастую приходится перенастраивать агрегат, а иногда – ставить на вход т.н. «переходные» рулоны из складского запаса, чтобы обеспечить плавный переход от одного входного рулона к другому. Чем больше таких операций, тем ниже производительность линии.
Подобрать оптимальную (минимизирующую количество перенастроек агрегата) последовательность подаваемых в агрегат рулонов – сложная вычислительная задача. В смену агрегат может обработать от 30 до 100 рулонов. Даже для самой «маленькой» смены, количество возможных комбинаций – примерно 10^30😱
Самый простой способ найти хоть какое-то математически обоснованное решение – использовать «жадный алгоритм». Как правило, такое решение хуже, чем может предложить опытный оператор «на глаз». Более продвинутый вариант из мира классических компьютеров – «муравьиный алгоритм», разработанный в 1990-2000е гг. учеными, изучавшими поведение муравьев, прокладывающих маршруты в поисках пищи.
Для решения этой задачи специалисты QuScape применили квантовый алгоритм решения задачи о Гамильтоновом пути, симулированный на классическом компьютере. Результат – двукратное сокращение издержек на переходы между рулонами по сравнению с муравьиным алгоритмом (который, в свою очередь, в 4-5 раз эффективнее жадного алгоритма), а также почти 100-кратное сокращение вычислительного времени (всего около 1 сек для партии из 40 рулонов на компьютере desktop-класса). Обратите внимание - решение не требует специального вычислительного оборудования, а следовательно, имеет минимальное время внедрения. Подобных кейсов в промышленности очень много – будем развивать свой первый успех 😎
Одним из продуктов металлургического производства является оцинкованный прокат, потребителями которого являются строительная, автомобильная промышленность и другие отрасли.
Покрытие тонким слоем цинка – эффективный способ защиты стали от коррозии – осуществляется в агрегатах непрерывного горячего цинкования. Существуют и другие технологии, однако эта – наиболее производительная, позволяющая получать до 1 млн т продукции в год на одной линии. На вход подается стальная полоса в рулонах, полученных на предыдущем переделе, концы рулонов свариваются для непрерывной подачи в агрегат, а на выходе полоса снова нарезается на товарные рулоны.
Входные рулоны имеют разную геометрию, а товарная продукция должна иметь различную толщину напыления и ряд других параметров, в зависимости от партии для каждого конкретного заказчика. В результате, при переходе от рулона к рулону зачастую приходится перенастраивать агрегат, а иногда – ставить на вход т.н. «переходные» рулоны из складского запаса, чтобы обеспечить плавный переход от одного входного рулона к другому. Чем больше таких операций, тем ниже производительность линии.
Подобрать оптимальную (минимизирующую количество перенастроек агрегата) последовательность подаваемых в агрегат рулонов – сложная вычислительная задача. В смену агрегат может обработать от 30 до 100 рулонов. Даже для самой «маленькой» смены, количество возможных комбинаций – примерно 10^30😱
Самый простой способ найти хоть какое-то математически обоснованное решение – использовать «жадный алгоритм». Как правило, такое решение хуже, чем может предложить опытный оператор «на глаз». Более продвинутый вариант из мира классических компьютеров – «муравьиный алгоритм», разработанный в 1990-2000е гг. учеными, изучавшими поведение муравьев, прокладывающих маршруты в поисках пищи.
Для решения этой задачи специалисты QuScape применили квантовый алгоритм решения задачи о Гамильтоновом пути, симулированный на классическом компьютере. Результат – двукратное сокращение издержек на переходы между рулонами по сравнению с муравьиным алгоритмом (который, в свою очередь, в 4-5 раз эффективнее жадного алгоритма), а также почти 100-кратное сокращение вычислительного времени (всего около 1 сек для партии из 40 рулонов на компьютере desktop-класса). Обратите внимание - решение не требует специального вычислительного оборудования, а следовательно, имеет минимальное время внедрения. Подобных кейсов в промышленности очень много – будем развивать свой первый успех 😎
Nippon Steel создает систему сквозного графикования производства с использованием квантовых технологий
Продолжаем тему квантовых технологий в металлургии. Вторая в мире сталелитейная корпорация в сотрудничестве с Cambridge Quantum Computing и Honeywell разрабатывает систему сквозного графикования движения продуктов промежуточных переделов. Для этой задачи разработан специальный алгоритм, работающий на квантовом компьютере на ионных ловушках Honeywell System Model H1.
Построение оптимального расписания или схемы движения объектов, будь то автомобили, морские контейнеры или рулоны стального листа, относится к классу задач комбинаторной оптимизации. На наш взгляд, современные вентильные квантовые компьютеры, к которым относится и машина Honeywell (всего 10 кубит), еще слишком слабы, чтобы решать подобные задачи с достаточно большим числом переменных. Даже с помощью самых передовых алгоритмов, о которых рассказывал, например, Dimitris Angelakis на ICQT21 на прошлой неделе в Москве, на таком компьютере не получится решить задачу более чем с 20 переменными. При этом, очевидно, что сквозная оптимизация графика сталелитейного производства – задача с тысячами, а то и десятками тысяч переменных.
В связи с этим, участники проекта пока ограничились формулировкой «репрезентативной задачи» (читай, шумно попиарились 😂) и остались удовлетворены найденным решением. Тем не менее, по мере совершенствования оборудования, формулировка задачи будет расширяться и со временем охватит весь производственный цикл Nippon Steel.
Ждать этого счастливого момента необязательно – методы, симулирующие квантовые вычисления на классических компьютерах (см. предыдущий пост), уже сейчас позволяют решать задачи комбинаторной оптимизации, содержащие тысячи переменных. По мере совершенствования квантовых компьютеров, эти алгоритмы можно будет перенести на них практически бесшовно. В завершение стоит отметить, что именно квантовая комбинаторика лучше всего симулируется на обычных компьютерах – с другими классами задач все не так просто.
Продолжаем тему квантовых технологий в металлургии. Вторая в мире сталелитейная корпорация в сотрудничестве с Cambridge Quantum Computing и Honeywell разрабатывает систему сквозного графикования движения продуктов промежуточных переделов. Для этой задачи разработан специальный алгоритм, работающий на квантовом компьютере на ионных ловушках Honeywell System Model H1.
Построение оптимального расписания или схемы движения объектов, будь то автомобили, морские контейнеры или рулоны стального листа, относится к классу задач комбинаторной оптимизации. На наш взгляд, современные вентильные квантовые компьютеры, к которым относится и машина Honeywell (всего 10 кубит), еще слишком слабы, чтобы решать подобные задачи с достаточно большим числом переменных. Даже с помощью самых передовых алгоритмов, о которых рассказывал, например, Dimitris Angelakis на ICQT21 на прошлой неделе в Москве, на таком компьютере не получится решить задачу более чем с 20 переменными. При этом, очевидно, что сквозная оптимизация графика сталелитейного производства – задача с тысячами, а то и десятками тысяч переменных.
В связи с этим, участники проекта пока ограничились формулировкой «репрезентативной задачи» (читай, шумно попиарились 😂) и остались удовлетворены найденным решением. Тем не менее, по мере совершенствования оборудования, формулировка задачи будет расширяться и со временем охватит весь производственный цикл Nippon Steel.
Ждать этого счастливого момента необязательно – методы, симулирующие квантовые вычисления на классических компьютерах (см. предыдущий пост), уже сейчас позволяют решать задачи комбинаторной оптимизации, содержащие тысячи переменных. По мере совершенствования квантовых компьютеров, эти алгоритмы можно будет перенести на них практически бесшовно. В завершение стоит отметить, что именно квантовая комбинаторика лучше всего симулируется на обычных компьютерах – с другими классами задач все не так просто.
Анонсирован первый крупный проект по оптимизации распределения электроэнергии через умные сети
Летнее затишье прервала новость от E.On – крупнейшей энергетической компании Германии. E.On объявила о партнерстве с IBM Quantum в области разработки схем оптимального управления распределенными «умными» электросетями.
В недалеком будущем электроэнергия будет поставляться не только в одном, традиционном, направлении – от генерирующей компании к потребителям. Любой абонент, подключенный к электросети (например, домохозяйство с солнечными панелями на крыше или владелец электромобиля), сможет продавать излишки электроэнергии. С одной стороны, это позволит сглаживать колебания в выработке энергии электростанциями, работающими на возобновляемых источниках, но с другой – потребует такого объема вычислений для координации и контроля работы сети, с которым современные классические компьютеры справиться не в состоянии.
Поскольку внедрение умных электросетей является одним из слагаемых успешного энергоперехода, которым нас, кстати, активно пугают, E.On стремится возглавить этот процесс и начинает эксперименты с квантовыми вычислениями. Будем следить за их успехами.
Летнее затишье прервала новость от E.On – крупнейшей энергетической компании Германии. E.On объявила о партнерстве с IBM Quantum в области разработки схем оптимального управления распределенными «умными» электросетями.
В недалеком будущем электроэнергия будет поставляться не только в одном, традиционном, направлении – от генерирующей компании к потребителям. Любой абонент, подключенный к электросети (например, домохозяйство с солнечными панелями на крыше или владелец электромобиля), сможет продавать излишки электроэнергии. С одной стороны, это позволит сглаживать колебания в выработке энергии электростанциями, работающими на возобновляемых источниках, но с другой – потребует такого объема вычислений для координации и контроля работы сети, с которым современные классические компьютеры справиться не в состоянии.
Поскольку внедрение умных электросетей является одним из слагаемых успешного энергоперехода, которым нас, кстати, активно пугают, E.On стремится возглавить этот процесс и начинает эксперименты с квантовыми вычислениями. Будем следить за их успехами.
Правительство США видит перспективу в применении гибридного подхода к решению задач комбинаторной оптимизации
DARPA (Управление перспективных исследовательских проектов Министерства обороны США) выбрала Rigetti Computing и USRA (ассоциация космических исследований университетов) для поставки оборудования и софта для второго этапа программы ONISQ.
Это программа по разработке гибридных решений, которые сочетают доступные на сегодня квантовые устройства небольшого размера с классическими компьютерами. Несмотря на то, что это делается под эгидой Пентагона, программа подразумевает решение сложных задач графикования не только в военной сфере (расчет оптимальных планов развертывания войск и т.п.), но и в гражданской (управление цепочками поставок, маршрутизация транспорта и др.).
Начальную фазу программы запустили в 2020 году - тогда в качестве квантовой части архитектуры были использованы 32- и 40-кубитные системы Rigetti, а текущая фаза подразумевает использование уже 80-кубитной системы, названной Aspen-M.
80 кубит - еще очень-очень мало, чтобы решать практические задачи целиком на квантовом компьютере. Кроме того, нерешенные проблемы современных квантовых вычислений - не только в количестве кубит, но и в допустимом количестве итераций алгоритма и помехах, влияющих на точность результата. А сможет ли гибридный подход доказать свое преимущество - посмотрим, поглядим.
DARPA (Управление перспективных исследовательских проектов Министерства обороны США) выбрала Rigetti Computing и USRA (ассоциация космических исследований университетов) для поставки оборудования и софта для второго этапа программы ONISQ.
Это программа по разработке гибридных решений, которые сочетают доступные на сегодня квантовые устройства небольшого размера с классическими компьютерами. Несмотря на то, что это делается под эгидой Пентагона, программа подразумевает решение сложных задач графикования не только в военной сфере (расчет оптимальных планов развертывания войск и т.п.), но и в гражданской (управление цепочками поставок, маршрутизация транспорта и др.).
Начальную фазу программы запустили в 2020 году - тогда в качестве квантовой части архитектуры были использованы 32- и 40-кубитные системы Rigetti, а текущая фаза подразумевает использование уже 80-кубитной системы, названной Aspen-M.
80 кубит - еще очень-очень мало, чтобы решать практические задачи целиком на квантовом компьютере. Кроме того, нерешенные проблемы современных квантовых вычислений - не только в количестве кубит, но и в допустимом количестве итераций алгоритма и помехах, влияющих на точность результата. А сможет ли гибридный подход доказать свое преимущество - посмотрим, поглядим.
Новое решение проблемы комбинаторной оптимизации в системах велопроката
The spring is coming, как говорится. Самое время обратить скучающий взор на проблему комбинаторной оптимизации в системе городского велопроката.
Когда на отдельных станциях скапливается слишком много велосипедов, а другие стоят пустыми, велосипеды перевозят между ними на грузовиках - возникает осадочек по поводу “зелености” велотранспорта. Исследователи уже неоднократно пытались оптимизировать количество велосипедов на каждой станции. Однако это были небольшие модельные попытки: либо ставились ограничения по станциям (до ста), либо не было лимита по времени.
Теперь ученые из Токийского университета подошли к проблеме всерьез и предлагают метаэвристический алгоритм, а именно tabu search, который исследует допустимые и недопустимые пространства решений. Это поможет быстрее находить решения даже для большого количества станций. Задачу они сформулировали как «проблема маршрутизации системы велопроката с несколькими транспортными средствами с мягкими ограничениями».
Результаты радуют. Всего за 14,7 секунд ученые рассчитали оптимальный вариант загрузки для сети из 30 станций, чуть меньше минуты потребовалось для 50 станций. Во всех случаях система находит наиболее оптимальные решения. Для сравнения — оптимизатор Gurobi перебирал допустимые решения для 30 станций около 12 часов.
Почему мы рассказываем об этом кейсе у себя в канале? Tabu search - алгоритм, работающий на классическом железе, но во многом построенный на идеях квантовых вычислений.
The spring is coming, как говорится. Самое время обратить скучающий взор на проблему комбинаторной оптимизации в системе городского велопроката.
Когда на отдельных станциях скапливается слишком много велосипедов, а другие стоят пустыми, велосипеды перевозят между ними на грузовиках - возникает осадочек по поводу “зелености” велотранспорта. Исследователи уже неоднократно пытались оптимизировать количество велосипедов на каждой станции. Однако это были небольшие модельные попытки: либо ставились ограничения по станциям (до ста), либо не было лимита по времени.
Теперь ученые из Токийского университета подошли к проблеме всерьез и предлагают метаэвристический алгоритм, а именно tabu search, который исследует допустимые и недопустимые пространства решений. Это поможет быстрее находить решения даже для большого количества станций. Задачу они сформулировали как «проблема маршрутизации системы велопроката с несколькими транспортными средствами с мягкими ограничениями».
Результаты радуют. Всего за 14,7 секунд ученые рассчитали оптимальный вариант загрузки для сети из 30 станций, чуть меньше минуты потребовалось для 50 станций. Во всех случаях система находит наиболее оптимальные решения. Для сравнения — оптимизатор Gurobi перебирал допустимые решения для 30 станций около 12 часов.
Почему мы рассказываем об этом кейсе у себя в канале? Tabu search - алгоритм, работающий на классическом железе, но во многом построенный на идеях квантовых вычислений.