MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016933554
■00520240214101303
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380367424
■035    ▼a(MiAaPQ)AAI30531199
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530.1
■1001  ▼aKahanamoku-Meyer,  Gregory  Donald.
■24510▼aExploring  the  Limits  of  Classical  Simulation:  From  Computational  Many-Body  Dynamics  to  Quantum  Advantage▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Berkeley.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(227  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Yao,  Norman  Y.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aFor  many  years  after  the  dawn  of  computing  machines,  it  seemed  to  be  the  case  that  the  dynamics  of  any  physical  system  (including  all  computers,  which  of  course  are  physical  systems  themselves)  could  be  efficiently  simulated  by  a  simple  model  of  a  computer  called  the  Turing  machine.  A  consequence  was  that  computational  problems  that  were  found  to  be  hard  for  Turing  machines-those  requiring  a  runtime  superpolynomial  in  the  size  of  the  input-  remained  hard  no  matter  what  machine  was  built  to  solve  them.  But  in  the  latter  part  of  the  20th  century,  an  intriguing  counterexample  emerged:  quantum  mechanics.  The  simulation  of  straightforward  quantum  systems  seemed  to  have  an  exponential  computational  cost.  This  led  to  a  provocative  question:  what  if  one  were  to  build  a  computer  from  quantum  mechanical  components?  Could  that  machine  outperform  the  Turing  machine,  and  efficiently  simulate  arbitrary  quantum  processes?  And  are  there  other  hard  problems  that  such  a  machine  could  efficiently  solve?In  this  dissertation  we  explore  several  questions  stemming  from  those  ideas.  First,  classical  simulation  of  quantum  many-body  physics  may  be  hard,  but  modern  supercomputers  are  extremely  powerful-with  cutting-edge  innovations  in  both  hardware  and  algorithms,  what  quantum  simulations  can  be  achieved,  and  what  physics  can  we  learn  from  them?  Second,  while  there  has  been  astounding  progress  in  the  development  of  quantum  computers,  they  are  still  small  and  noisy-what  can  we  do  on  these  near-term  devices,  that  cannot  be  done  with  the  powerful  classical  supercomputers  just  described?  Furthermore,  if  we  do  a  quantum  mechanical  computation  that  seems  to  be  infeasible  for  even  the  fastest  classical  machines,  how  do  we  check  that  the  result  is  actually  correct?  Answering  these  questions  requires  deeply  exploring  the  physical  nature  of  computing;  at  heart,  it  comes  down  to  the  beautiful  puzzle  of  organizing  the  physical  world  around  us  to  process  information.
■590    ▼aSchool  code:  0028.
■650  4▼aQuantum  physics.
■650  4▼aComputer  science.
■650  4▼aComputational  physics.
■653    ▼aCryptography
■653    ▼aHigh-performance  computing
■653    ▼aMany-body  physics
■653    ▼aComputing  machines
■653    ▼aQuantum  computing
■690    ▼a0599
■690    ▼a0984
■690    ▼a0216
■71020▼aUniversity  of  California,  Berkeley▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933554▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books