*** История финансирования науки Ученый всегда был рискованным сотрудником с точки зрения рентабельности инвестиций. Они пытаются раскрыть правду о Вселенной, и часто Вселенная дает им птицу. Поскольку экспериментировать — значит рисковать большим количеством денег и времени ради, возможно, бесполезной идеи, учёный — вечный стажёр, пока он не совершит прорыв, тогда он станет старшим научным сотрудником. Тем не менее, ученый пытался заработать собственные деньги. У алхимиков это было буквально. Хотя они изобрели химию и послужили катализатором возникновения мировой золотой лихорадки, превращение свинца в золото было, увы, ошибочной идеей, в которую верили на протяжении веков. Поиски поглощали жизнь одного человека за другим, и их спасали только мечты о богатстве. Но их упорство было свидетельством их стойкости и терпения. Терпение означало на какое-то время остаться на службе у кого-то, кто мог позволить себе риск поддержки науки в прошлом. И это означало короля, потому что у них было золото/деньги, собранные в виде налогов. Волшебники и гадалки не имели особого смысла, и это были комики, пришедшие развлечь короля перед тем, как он пойдет на войну. Хотя, хотя бросать кишки в стену может быть глупо, это было загадочно, и, если они были правы, впечатляло вдвойне. И вот этот (банкрот) учёный настаивал на том, что они знают НАСТОЯЩУЮ стратегию, которая поможет королю победить. Каков был их авторитет? Около 200 г. до н. э. учёный — Архимед, а король — политический глава Сиракуз. Быть лидером в те времена во многом означало, что нужно побеждать в войнах, и, поскольку история научила Кингса полной бесполезности шарлатанов, ученому был предоставлен шанс доказать свою правоту. Архимед сделал свое дело хорошо. , что он потопил корабли римлян с помощью хитроумных кранов и катапульт, бросавших тяжелые камни. Рассказывают С его времени покровительство учёным со стороны королей, принцев, банкиров и президентов было огромным. Ученого уважают, и все великие ученые, даже Леонардо да Винчи, которого в основном хвалили за его впечатляющие произведения искусства, уделяли некоторое время разработке оружия. Оружие поможет королю победить и, следовательно, сохранить учёному работу. Вскоре ученые стали играть еще более важную роль в военных усилиях. Особенно физики и химики, которые на сегодняшний день разработали бесчисленное количество видов военной техники. Однако появление научных методов в экономике, социологии, психологии, биологии, опирающихся на силу статистического анализа и логических выводов, быстро сделало ученого важным во всех областях человеческой деятельности. Однако проблема осталась. Чтобы получить кредит, ученому обычно приходилось и до сих пор приходится полагаться на государственное финансирование, поскольку правительство остается крупнейшей рыбой, способной взять на себя достаточный риск на финансовых рынках. Ненавидьте это сколько хотите, но без кредита со стороны правительства, будь то долг или реальные деньги, многие научные работы застопорились бы. Лучший пример — SpaceX. Однако правительства и их способность обесценивать деньги и финансировать вещи за счет долга сделали мировые войны продолжительными, чтобы разрушить мир намного сложнее. Это также привело к экономической депрессии, и после финансового кризиса 2008 года Сатоши Накамото, гениальный ученый-компьютерщик, решил создать Биткойн – денежный инструмент, выходящий за рамки обесценивания государственной валюты. Рождение финансовой модели в разводе с королем Биткойн вызывал споры с самого начала. Конечно, короли и правительства ненавидят это. Это врезается в их бизнес. Большая часть частного сектора также ненавидит свою природу гордости за технологическую эксклюзивность, поэтому шесть лет спустя был реализован хард-форк для создания Ethereum, криптовалюты, созданной для предоставления дополнительных услуг блокчейна, таких как смарт-контракты. Многие другие хард-форки быстро последовали от неверующих. Тем не менее, Биткойн по-прежнему остается мейнстримом и в последнее время стал интересен крупным финансам. Биткойн-ETF доказывает это. После 15 лет смеха над вещью, которая становится всё больше и лучше, даже самый суровый критик заткнётся и начнёт слушать более внимательно. Потому что теперь они знают, что им чего-то не хватает. Ученые-энергетики также начинают обращать на это внимание: некоторые утверждают, что майнинг биткойнов может стать . преуспевают в продаже более дешевых пакетов электроэнергии, которые субсидируются за счет майнинга биткойнов. быстрым путем к энергетическому переходу Инженеры-энергетики Но они опоздали на вечеринку. Ученые-компьютерщики десятилетиями хорошо зарабатывают на Bitcoin, Ethereum, Doge. И если какой-либо ученый и жил комфортно, не нуждаясь в большом бюджетном финансировании от правительства, так это ученый-компьютерщик еще в 20-м веке. Хотя область компьютерных наук намного моложе физики, астрономии и биологии, многие ученые-компьютерщики быстро научились зарабатывать большие деньги на частном предпринимательстве и индивидуальной работе, не выпрашивая ссуды у королей и их крупных банкиров. Футуристическая наука финансирует себя через биткойны Биткойн — это деньги для людей, а наука превратилась в нечто общественное благо, по плану с открытым исходным кодом, преданными своему делу людьми, которые вкладывают свое время и деньги, чтобы сделать что-то хорошее. Как я уже упоминал, сейчас в Интернете существуют ученые-компьютерщики, которые охотно улучшают экосистему Биткойн, используя возможности сотрудничества и свои искренние усилия. В основном они приходят из страны разработки программного обеспечения и, получив оранжевую таблетку, решают остаться в стране биткойнеров и построить экосистему биткойнов. Тем не менее, для других типов ученых не было особых возможностей, и это широко открытая возможность, которой может воспользоваться каждый. В настоящее время многие ученые в мире Биткойн являются учеными-компьютерщиками, которые создают доказательства с нулевым разглашением, свертывания и другие уровни блокчейна Биткойн. Но нужно гораздо больше ученых. Еще раз повторю: я считаю, что больше ученых-электриков и энергетиков должны быть в авангарде того, как оборудование для майнинга биткойнов может обеспечить доступ к электроэнергии тем, у кого ее нет, что значительно облегчит управление инвестициями в чистые, переработанные источники энергии. Что может быть лучше, чем быть инженером-электриком, который сам проектирует свою работу, обеспечивая электричеством своих людей? Об этом должен узнать каждый студент университета, изучающий электротехнику, независимо от развивающейся страны. Потому что развивающиеся страны Африки, Азии и Латинской Америки борются с масштабированием использования электроэнергии из дешевых источников энергии из-за высоких надбавок, которые местные жители просто не могут платить. Знания об использовании Биткойна для субсидирования доступа к электроэнергии из переработанных источников энергии должны распространяться как можно шире и шире. Теперь, как начинающий учёный в области квантовой информации, я чувствую, что для меня тоже есть место в экосистеме Биткойн. Хотя общественность, возможно, знает, как квантовая информатика грозит свести на нет то добро, которое сделал Биткойн, потенциально взломав его, я считаю, что создание квантовоустойчивых алгоритмов далеко не затрагивает поверхность квантовых возможностей. Например, квантовые технологии могут обеспечить для узлов Биткойна, позволяя успешно передавать даже слабые сигналы и обеспечивать добычу блоков. более совершенные датчики сигналов могут помочь лучше понять, как лучше настроить инфраструктуру Биткойн в разных странах и континентах для оптимального использования. Решения на основе квантовых вычислений в логистике Квантовые сети могут предоставить более эффективные способы безопасной . передачи информации о биткойнах Некоторыми проблемами в экосистеме Биткойн могут быть проблемы (квантового полинома с ограниченной ошибкой), которые входят в сферу квантовой информатики, и их следует обнаруживать и решать с помощью квантовых компьютеров. BQP Самое главное, что квантовые компьютеры будут на порядки лучше майнить криптовалюты с доказательством работы, чем классические компьютеры. Когда Биткойн дружит с квантовой механикой Закон Мура подходит к концу. IBM уже создала транзисторы всего с 5 атомами. Чтобы стать меньше, становится сложнее справляться с тепловым шумом и другими проблемами наномасштаба. Чтобы справиться с тепловым шумом, будет сделано еще большее охлаждение, как это делается для кубитов. Кроме того, одноатомный транзистор фактически является кубитом. Это квантовая сфера, и, нравится вам это или нет, в не столь отдаленном будущем больше людей будут изучать квантовую механику и, как следствие, квантовые вычисления. Мир классических вычислений может масштабироваться только за счет использования множества одних и тех же технологий, которые будут потреблять еще больше энергии. Потребуется повышение эффективности квантовых технологий, таких как квантовые компьютеры. Хотя , наука о создании кубитов развивается, а системы становятся все более мощными. Возможно, не существует экспоненциального роста кубитов по их собственному закону Мура, но линейный рост кубитов приводит к экспоненциальной вычислительной мощности. Что это за закон Мура! я уже сказал, что квантовые вычисления очень дороги Вы помните этот график; Если примерно 14 миллиардов долларов в 2023 году могут принести (логические кубиты — это настоящие кубиты, которыми манипулируют в математической теории), путем линейной экстраполяции, 125 миллиардов долларов к 2030 году, как показано выше, принесут 428 логических кубитов. 48 логических кубитов Но через 7 лет сама Биткойн могла бы вырасти до 200 000 долларов за биткойн, что составляет рыночную капитализацию в 4,2 триллиона долларов. По линейной экстраполяции, чтобы довести нас до 10 000 логических кубитов, необходимы глобальные инвестиции в размере 3 триллионов долларов. Как мы видим, только Биткойн может окупить его в течение 7 лет. Почему 10 000 кубитов? Мой исследовательский проект Последние три месяца я изучал QCourse551-1, который был предложен в сотрудничестве QWorld и Classiq Technologies. Моим исследовательским проектом был Проект 11 — Майнинг биткойнов с использованием алгоритма поиска Гровера. Мотивацией для моего проекта послужила , которая показывает, что одни только 10 000 логических кубитов могут майнить биткойны быстрее, чем любая классическая система, использующая такое же потребление энергии. исследовательская работа Это связано с тем, что 10 000 кубитов могут закодировать полный процесс двойного хеширования SHA256, который используется при майнинге Биткойна, но поскольку они используют алгоритм поиска Гровера, они эффективно достигают квадратичного ускорения на квадратичный корень (N), где N — количество элементов для проверки в неструктурированная база данных. ASIC-майнеры для майнинга биткойнов также проверяют неструктурированную базу данных случайных хешей на предмет значения nonce. Вопрос в том, какой из них быстрее? Большинство ASIC-майнеров сегодня проверяют терахэши или Например проверяет 120TH/s. Это 120 миллионов хешей каждую секунду. 1 миллион хешей каждую секунду. , этот майнер Сможет ли квантовый компьютер победить это? Конечно. Square_root(120 миллионов) = всего 10954 проверки в секунду. Увеличение эффективности на 1 095 400 %. И чем больше конкуренция, тем больше квантовый компьютер рвется вперед в гонке. стремительно возрастает до 600 миллионов миллионов хэшей в секунду. Это выделяет достаточно тепла, чтобы заставить ученых-климатологов забеспокоиться. Но что, если мы заменим все эти неуклюжие ASIC на современные QPU 2032 года, сколько сравнительных хэшей в секунду они будут производить? Square_root(600 миллионов миллионов) = 24 миллиона проверок в секунду. . Текущая скорость хеширования Увеличение эффективности на 2,4 миллиарда % Если вышеизложенное не является привлекательным предложением, то я не знаю, что именно. Биткойн должен финансировать исследования в области квантовых вычислений. Это займет некоторое время, но когда это произойдет, это будет великолепно. Это будет более каноничное событие, чем высадка на Луну. В нашем исследовании мы проверяли сильно упрощенную систему только с 8-битными входами и выходами, смоделированную на основе оператора Гровера, работающего с менее чем 25 кубитами. Учитывая нашу действительно низкую мощность хэширования, преимущества поиска Гровера не могли быть очевидны из первых рук, и их можно было определить только с помощью соответствующего анализа сложности прогонов/глубины классического компьютера (моего ноутбука) по сравнению с глубиной выполняемой нашей схемы Гровера. на симуляторе Classiq Aer. Хотя было бы неплохо смоделировать энергетику и график сложности того, что это означает, но, к сожалению, у нас не хватило времени. Тем не менее, у нас были некоторые результаты нашей работы. Ниже показано, что у нас было, включая глубину каждого контура. а) Упрощенный классический алгоритм MD5 Мы смоделировали упрощенную версию MD5 (наиболее примитивного родственника SHA256), хешируя 95 печатных символов ASCII, чтобы найти одноразовый номер для шестнадцатеричных значений со сложностью = 1. Примечание. Наши шестнадцатеричные значения были только двухзначными, поскольку мы работаем с 8-битными значениями. Таким образом, наши возможные значения сложности 1 находятся только в 16 вариантах, то есть 00, 01, 02, 03, 04, 05, 06, 07, 08, 09, 0a, 0b, 0c, 0d, 0e, 0f. 00 также является элементом сложности 2. Следовательно, функция поиска/хеширования называется упрощенной_MD5_8bit_difficulty_1or2. def simplified_MD5_8bit_difficulty_1or2(): printables_list = '0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~' for i in printables_list: x2 = ord(i) x3 = bin(x2)[2:] if len(str(x3))==7: x4 = x3+'0' if len(str(x3))==6: x4 = x3+'00' x5 = list(x4) a0 = 2*int((x5[0])) a1 = int(x5[1]) b0 = 2*int((x5[2])) b1 = int(x5[3]) c0 = 2*int((x5[4])) c1 = int(x5[5]) d0 = 2*int((x5[6])) d1 = int(x5[7]) a = a0 + a1 b = b0 + b1 c = c0 + c1 d = d0 + d1 a = ((d ^ (b & (c ^ d))) + (c ^ (d & (b ^ c))) + (b ^ c ^ d) + (c ^ (b | ~(d))) + b) print() d1 = d//2 d0 = d%2 d = d1*(2**7) + d0*(2**6) a1 = a//2 a0 = a%2 a = a1*(2**5) + a0*(2**4) b1 = b//2 b0 = b%2 b = b1*(2**3) + b0*(2**2) c1 = c//2 c0 = c%2 c = c1*(2**1) + c0*(2**0) decimal_result = d + a + b + c binary_result = bin(decimal_result)[2:] print(binary_result) hex_result = hex(decimal_result) print(hex_result) if hex_result == '0x0': difficulty_2.append(hex_result) collisions_difficulty_2.append(i) if hex_result == ('0x1' or '0x2' or '0x3' or '0x4' or '0x5' or '0x6' or '0x7' or '0x8' or '0x9' or '0xa' or '0xb' or '0xc' or '0xd' or '0xe' or '0xf'): difficulty_1.append(hex_result) collisions_difficulty_1.append(i) print('Difficulty_1 list = ',difficulty_1) print('Difficulty_2 list = ',difficulty_2) print('Colliding inputs for difficulty 1 = ',collisions_difficulty_1) print('Colliding inputs for difficulty 2 = ',collisions_difficulty_2) difficulty_2 = [] difficulty_1 = [] collisions_difficulty_1 = [] collisions_difficulty_2 = [] import numpy as np simplified_MD5_8bit_difficulty_1or2() Как можно видеть, чтобы найти элементы сложности 1 (и, соответственно, сложности 2), нам нужно повторить 40 строк кода (игнорируя пробелы и вывод в цикле for). Для хеширования и проверки необходимо 96 печатных символов ASCII, следовательно, 96 * 40, что дает нам глубину схемы 3840. Однако мой ноутбук быстро выполняет эту задачу. Меньше нескольких секунд. б) Упрощенный квантовый алгоритм MD5 Мы смоделировали квантовую версию нашего упрощенного алгоритма MD5, чтобы имитировать поиск значений nonce сложности 1 независимо от того, каким был входной символ ASCII в схему. Это возможно, потому что все, что нам нужно, это ноль в начале нашего шестнадцатеричного значения. Поскольку наш хэш-набор был небольшим (всего 96 символов ASCII), мы настроили систему так, чтобы она игнорировала входное значение ASCII, чтобы оно было избыточным, и стремилась захватить все возможные нули с учетом арифметического выражения; a == ((d ^ (b & (c ^ d))) + (c ^ (d & (b ^ c))) + (b ^ c ^ d) + (c ^ (b | ~(d) )) + б) который также присутствует в классическом алгоритме Python. Обратите внимание, что складываемые вместе 4 функции получены из . исходного алгоритма MD5 Поскольку нам нужны значения сложности 1, мы добавляем и к вышеуказанной функции, а затем синтезируем ее на платформе Classiq. d = 0 a = 0 (Примечание: это ярлык благодаря неустанной работе команды Classiq. Код Python также был встроен в Classiq Python SDK, но в последнюю минуту произошел сбой. Следовательно, у нас есть только рабочий код Python SDK для оператора Гровера, но не для оператора Гровера с хешем/поиском сложности-1, что вам и приходилось здесь видеть ) Следовательно, наше входное арифметическое выражение: a == ((d ^ (b & (c ^ d))) + (c ^ (d & (b ^ c))) + (b ^ c ^ d) + (c ^ (b | ~(d) )) + б) и d == 0 и a == 0 Полученная схема имеет глубину всего 913 Квантовая схема побеждает! Сноска Хотя время проекта закончилось, наша работа все еще продолжается, и она будет продолжаться до тех пор, пока мы не создадим функциональный квантовый биткойн-майнер на 10 000 кубитов. Добровольные усилия по технической поддержке приветствуются. Часть нашего кода все еще дает сбои, и мы лишь поверхностно рассмотрели возможности платформы Classiq. Гениальный программный инструмент, который избавляет от громоздкой работы с воротами, которая была бы необходима любому, кто создает тот же проект с использованием Qiskit. Особая благодарность Classiq и QWorld за предоставленную возможность. И нашему наставнику - доктору Эялу Корнфельду за руководство. ***
