《量子计算和算法信息在基因组学和强化学习中的因果模型的应用》2022最新博士论文，代尔夫特理工大学

全球正在积极努力实现足够大的可控量子处理器。这些量子设备是通过量子算法指定量子信息的操作来进行编程的。这项博士研究为量子加速器架构的设计要求提供了一个应用角度。早期的量子算法特别关注通过利用量子现象在计算资源成本方面的优势的理论研究。随着小规模的量子处理器的出现，现在的重点是应用量子算法来开发在社会、工业和科学领域具有高影响力的应用。目前还没有可以执行量子算法的量子设备，可以为现实世界的用例展示可证明的优势。然而，一个概念验证的应用管道可以在一个模拟器框架上展示。本论文的研究问题是确定量子计算高影响的长期应用，并制定相应的逻辑。研究了三个具体的用例。

用例1涉及 "量子加速的基因组序列重建"。更快的测序管道将促进新的下游应用，如个性化医疗。研究了两种不同的重建方法，即从头参考比对和从头读取组装，以确定计算的瓶颈。在量子搜索和启发式量子优化的基础上，分别提出了相应的量子技术。明确设计了一种新的算法，即量子索引双向关联存储器（QiBAM），以解决DNA序列的近似比对要求。我们还提出了量子加速序列重建（QuASeR）策略来进行新的组装。这被表述为一个QUBO，并在门模型模拟器上使用QAOA解决，以及在量子退火器上解决。

用例2涉及 "算法信息的量子自动机"。一个基于算法生成模型的因果推理框架被开发出来。这种量子加速实验算法信息理论（QEAIT）的技术可以普遍地应用于不同领域。具体到基因组分析，提出了识别能够自我复制的比特串的问题。我们开发了一种新的量子电路设计，即量子并行通用线性有界自动机（QPULBA）模型。这使得经典模型/程序的叠加可以被执行，并且可以探索它们的特性。该自动机将普遍分布准备为量子叠加状态，可以查询到该状态以估计因果模型的算法特性。

用例3涉及 "量子环境中的通用强化学习"。这个理论框架可以应用于自动科学建模。提出了一个通用的人工智能形式体系，可以对量子过程进行建模。所开发的量子求知智能体（QKSA）是一个用于递归自我改进的进化的通用强化学习模型。它使用资源约束的量子过程层析算法的算法复杂性。决定最优策略的成本函数被实现为量子内部的变异基因。个体智能体的效用函数是基于预测和感知环境之间选定的量子距离测量。

这篇论文研究了量子计算和算法信息的基础技术并开发了创新应用。这些具体应用于基因组学和强化学习的因果模型。对这些跨学科概念之间的协同作用的进一步探索将提高我们对计算、智能、生命和宇宙学等各种科学学科的理解。