⚛️ การประยุกต์ใช้ Quantum Gates
DS713 Quantum Computing for Data Science — ตัวอย่างจริงที่ใช้ gates ในแต่ละงาน
1. Teleportation
2. Grover Search
3. QKD Crypto
4. Quantum ML
5. Optimization
📡 Quantum Communication
Quantum Teleportation
ส่งสถานะ qubit จาก Alice ไป Bob โดยไม่ต้องส่งอนุภาคจริง ใช้ Entanglement + Classical communication
QUANTUM CIRCUIT — Alice & Bob
Alice
H
H
M
Anc.
X
X
M
Bob
Z
X
|ψ⟩
1
H + CNOT
สร้าง Bell State (Entanglement) ระหว่าง Alice และ Bob
2
H + CNOT
Alice วัดค่า qubit ที่ต้องการส่งกับ ancilla
3
X + Z (Bob)
Bob แก้ไขสถานะตามผลการวัด → ได้ |ψ⟩ ตรงกับ Alice
Gates ที่ใช้:
H, CNOT, X, Z, Measurement
ส่งข้อมูล quantum ได้โดยไม่ละเมิด No-cloning theorem
🔗 Entanglement
Bell State Circuit
สร้าง entangled pair ที่เป็นหัวใจของ Quantum Teleportation — H gate + CNOT เพียงแค่สองตัว
BELL STATE |Φ⁺⟩ = (|00⟩ + |11⟩)/√2
q₀ |0⟩
H
M
q₁ |0⟩
X
M
ผลการวัด (วัดซ้ำ 1,000 ครั้ง)
|00⟩
~50%
|01⟩
0%
|10⟩
0%
|11⟩
~50%
สังเกต:
ได้แค่ |00⟩ หรือ |11⟩ เท่านั้น — พิสูจน์ว่า entangle กัน ผลของ q₀ และ q₁ สัมพันธ์กันเสมอ
🔍 Search Algorithm
Grover's Search Algorithm
ค้นหาข้อมูลใน database ขนาด N ใช้เวลา O(√N) แทน O(N) ของ classical — เร็วกว่า Quadratic speedup
GROVER CIRCUIT (2 qubits — ค้นหา |11⟩)
q₀ |0⟩
H
Uf
H
Z
H
M
q₁ |0⟩
H
Uf
H
Z
H
M
1
H ทุก qubit
— สร้าง superposition ครอบคลุมทุกสถานะ (|00⟩ ถึง |11⟩) พร้อมกัน
2
Oracle (Uf)
— "ทำเครื่องหมาย" คำตอบที่ถูกต้องด้วยการ flip phase
3
Diffusion (H+Z+H)
— Amplification ขยาย amplitude ของคำตอบ → ความน่าจะเป็นสูงขึ้น
4
Measure
— ได้คำตอบที่ถูกต้องด้วยความน่าจะเป็นสูง
Gates ที่ใช้:
H (superposition), Oracle Uf (Z, X, CNOT), Diffusion operator
Classical:
ค้น N items → N ครั้ง |
Quantum:
ค้น N items → √N ครั้ง
📊 Speedup
Classical vs Quantum Search
เปรียบเทียบจำนวนครั้งที่ต้องค้นหา — ยิ่ง N ใหญ่ Quantum ยิ่งได้เปรียบมากค่ะ
Database (N)
Classical O(N)
Quantum O(√N)
100
100 ครั้ง
10 ครั้ง
10,000
10,000 ครั้ง
100 ครั้ง
1,000,000
1,000,000 ครั้ง
1,000 ครั้ง
1 พันล้าน
1,000,000,000
31,623 ครั้ง
ตัวอย่างงานจริง:
ค้นหา protein structure ที่ตรงกับยาในฐานข้อมูล, ค้นหา optimal solution ใน combinatorial problem
🔐 Quantum Cryptography
QKD — BB84 Protocol
แจกกุญแจเข้ารหัสลับที่ปลอดภัยสมบูรณ์ — ถ้ามีคน盗 ฟังระหว่างทาง จะตรวจพบได้ทันที
BB84 — ALICE ENCODES BIT
Basis ⊕ (rectilinear)
|0⟩
I
|0⟩
|0⟩
X
|1⟩
Basis ⊗ (diagonal)
|0⟩
H
|+⟩
|0⟩
X
H
|−⟩
1
Alice
เข้ารหัสบิตแต่ละตัวใน basis สุ่ม (⊕ หรือ ⊗) โดยใช้ H gate และ X gate
2
Bob
วัดในทิศสุ่ม — ถ้า basis ตรงกัน บิตถูกต้อง ถ้าไม่ตรงทิ้งทั้งคู่
3
ตรวจ Eve
ถ้ามีคนดักฟัง Eve วัดค่า → ทำลาย superposition → มี error rate สูงผิดปกติ
Gates ที่ใช้:
H (เปลี่ยน basis), X (เข้ารหัสบิต 1), Measurement
ความปลอดภัย
รับประกันโดยกฎฟิสิกส์ ไม่ใช่ความยากทางคณิตศาสตร์
🛡️ Security
ทำไม QKD ปลอดภัย?
หลักการ No-Cloning Theorem + Measurement Collapse ทำให้การดักฟังตรวจพบได้เสมอ
✅ ไม่มี Eve — ปลอดภัย
Alice
Bob
Error rate ≈ 0% → กุญแจใช้งานได้
❌ มี Eve — ตรวจพบ
Alice
Eve M
Bob
Error rate ≈ 25% → ทิ้งกุญแจ เริ่มใหม่
ใช้งานจริงแล้ว:
China's Micius satellite (2017), ระบบธนาคาร, รัฐบาลบางประเทศ
🤖 Quantum Machine Learning
Variational Quantum Circuit (VQC)
โครงสร้างพื้นฐานของ Quantum ML — ใช้ Rotation gates ที่ปรับค่าได้ เหมือน weights ใน Neural Network
VQC — FEATURE MAP + VARIATIONAL LAYER
x₁→q₀
Ry(x₁)
Ry(θ₁)
M
x₂→q₁
Ry(x₂)
X
Ry(θ₂)
M
1
Feature Encoding:
Ry(x) โหลดข้อมูล input เข้าไปใน qubit เป็น rotation angle
2
Entanglement Layer:
CNOT สร้าง correlation ระหว่าง features
3
Variational Layer:
Ry(θ) คือ trainable parameters — ปรับด้วย gradient descent
4
Measure:
ผล 0/1 นำไปคำนวณ loss function แล้ว update θ
Gates ที่ใช้:
Ry(θ) เป็น trainable weight, CNOT สร้าง feature interaction
ข้อดี:
Parameter น้อยกว่า Classical NN มาก แต่ expressive สูง
📈 QML Tasks
งาน QML ที่ทำได้ด้วย VQC
Quantum gates ช่วยทั้งด้าน Classification, Clustering และ Generative models ค่ะ
🏷️ Classification
ใช้ VQC แทน SVM หรือ Neural Net
Gates:
Ry (encode), CNOT (interact), Measurement (predict)
ตัวอย่าง:
จำแนก cancer cell จาก gene expression data
🔬 Dimensionality Reduction
Quantum PCA — ใช้ amplitude encoding ด้วย H+Ry
ข้อดี:
encode ข้อมูล 2ⁿ จุดใน n qubit
ตัวอย่าง:
ลด dimension ข้อมูล genomics
🎲 Quantum GAN (QGAN)
Generator เป็น variational circuit สร้าง distribution
Gates:
Ry, Rz (generator), CNOT (entangle), H (superposition)
ตัวอย่าง:
สร้าง molecular structure ใหม่สำหรับยา
Framework ที่ใช้:
Qiskit Machine Learning, PennyLane, TensorFlow Quantum
ทุกอย่างสร้างจาก Quantum Gates พื้นฐาน
⚡ Optimization
QAOA — Quantum Approximate Optimization
แก้ปัญหา Combinatorial Optimization (NP-Hard) เช่น Traveling Salesman, Max-Cut, Portfolio Optimization
QAOA CIRCUIT (p=1 layer)
q₀ |0⟩
H
Rz(2γ)
Rx(2β)
M
q₁ |0⟩
H
Rz(2γ)
X
Rx(2β)
M
1
H ทุก qubit
— เริ่มต้น superposition ครอบคลุมทุก solution พร้อมกัน
2
Cost layer Rz(2γ)
— ใส่ข้อมูล objective function ลงไปใน phase ของแต่ละสถานะ
3
Mixer layer Rx(2β) + CNOT
— ใช้ interference ขยาย solution ที่ดี ลด solution ที่แย่
4
Optimize γ, β
— Classical optimizer ปรับค่า parameter วนซ้ำจนได้ optimal solution
Gates ที่ใช้:
H, Rz(γ) — cost, Rx(β) — mixer, CNOT — entangle
ประยุกต์ได้กับ:
Logistics, Finance portfolio, Drug molecule design, Network routing
💼 Real Applications
ตัวอย่างการใช้งาน QAOA จริง
บริษัทชั้นนำแล้วใช้ Quantum Optimization สำหรับปัญหาจริงค่ะ
🏦 Finance — Portfolio Optimization
โจทย์:
เลือก N หุ้นจาก 1,000 หุ้นให้ return สูง risk ต่ำ
QAOA:
แต่ละ qubit = หุ้น 1 ตัว (เลือก/ไม่เลือก)
ใช้จริง:
JP Morgan, Goldman Sachs
🚚 Logistics — Route Optimization
โจทย์:
หา route จัดส่งสินค้าระยะรวมสั้นที่สุด (TSP)
QAOA:
qubit แทนลำดับการเยี่ยม city
ใช้จริง:
Volkswagen, DHL, Airbus
💊 Drug Discovery — Molecule Simulation
โจทย์:
คำนวณ energy ของ molecule เพื่อออกแบบยา
VQE + QAOA:
simulate quantum chemistry
ใช้จริง:
IBM + Pfizer, Google + Boehringer