1. چرا محاسبات کوانتومی؟
1.1در واقع چه مسئله‌ای را می‌خواهیم حل کنیم؟
دو مسئله، با دقت. نخست، شبیه‌سازی: طبیعت کوانتومی است؛ بنابراین سامانه‌هایی مانند مولکول‌ها و مواد، فضای حالت‌هایی دارند که با اندازه به‌صورت نمایی رشد می‌کنند — رایانهٔ کلاسیک برای نگه‌داری حالت n الکترونِ برهم‌کنشی، با هر الکترونِ اضافه به دو برابر حافظه نیاز دارد. بینش فاینمن در ۱۹۸۲ این بود که ماشینی که درجه‌های آزادی خودش کوانتومی است می‌تواند چنین سامانه‌ای را به‌طور بومی شبیه‌سازی کند. دوم، مسئله‌های الگوریتمیِ خاص و سخت: تجزیهٔ اعداد صحیح، جست‌وجوی بدون ساختار، و Primitiveهای جبر خطی مانند تبدیل فوریه و تخمین مقدار ویژه، که الگوریتم‌های کوانتومی برایشان بهبود مجانبیِ اثبات‌پذیر دارند. توجه کنید که چه چیزی در فهرست نیست: «سریع‌ترکردن همهٔ نرم‌افزارها». محاسبات کوانتومی یک شتاب‌دهندهٔ خاص‌منظوره برای دسته‌ای باریک اما مهم از مسئله‌هاست — و مهندس صادق همین را از ابتدا می‌گوید.
1.2چه چیزی محاسبه را «کوانتومی» می‌کند؟
یک محاسبه وقتی کوانتومی است که حالتش با دامنه‌های احتمال مختلط توصیف شود نه مقادیر قطعیِ بیت‌ها، و سه پدیده برقرار باشند: برهم‌نهی (سامانه می‌تواند ترکیب وزن‌داری از بسیاری حالت‌های کلاسیک هم‌زمان باشد)، تداخل (دامنه‌ها جمع می‌شوند نه احتمال‌ها، و می‌توانند تقویت یا حذف شوند) و درهم‌تنیدگی (حالت‌های زیرسامانه‌ها می‌توانند همبستگی‌هایی داشته باشند که هیچ توزیع احتمال کلاسیکی بازتولیدشان نمی‌کند). واقعیت ظریف و بارز این است: شما هرگز مستقیماً دامنه‌ها را مشاهده نمی‌کنید. اندازه‌گیری آن‌ها را طبق قاعدهٔ بورن به احتمال‌های معمولی فرومی‌ریزد. پس هنر الگوریتم‌های کوانتومی رهبریِ تداخل است؛ طوری که در لحظهٔ اندازه‌گیری، جرم دامنه‌ها روی پاسخ‌هایی بنشیند که برایتان مهم‌اند. کلِ ترفند همین است؛ بقیهٔ کتاب گونه‌گونی‌های آن است.
1.3محاسبات کلاسیک در برابر محاسبات کوانتومی
به‌صورت کلاسیک، حالت رشته‌ای از بیت‌هاست: یکی از 2ⁿ پیکربندی، که در اصل همیشه کاملاً دانستنی است. عملگرها توابعِ منطقاً برگشت‌ناپذیری‌اند که می‌توانید کپی، کش و با بازرسیِ حالت اشکال‌زدایی کنید. به‌صورت کوانتومی، حالت برداری در فضای مختلط 2ⁿ بعدی است: برهم‌نهی‌ای روی همهٔ پیکربندی‌ها هم‌زمان. عملگرها هنگام اجرا باید یکانی (برگشت‌پذیر و نرم‌حافظ) باشند، قابل کپی نیستند (قضیهٔ عدم شبیه‌سازی) و فقط اطلاعاتِ نمونه‌برداری می‌دهند، نه خود حالت را. سه پیامد عملی دارد: برنامه‌های کوانتومی را مثل فرایند نمی‌توان متوقف و از سر گرفت؛ نمی‌توانید وسط مدار «مقدار یک متغیر را چاپ کنید»؛ و تست یعنی اجرای many shot و استدلال آماری. این دو مدل رقیب هم نیستند — رایانهٔ کوانتومی یک هم‌پردازنده است که برنامه‌ای معمولی و کلاسیک هدایتش می‌کند.
1.4بیت‌ها، حالت‌های فیزیکی و اطلاعات
اطلاعات فیزیکی است — باید در حالت یک سامانهٔ فیزیکی کدگذاری شود: ولتاژ در گیت CMOS، مغناطش روی دیسک، بار در سلول حافظه. بینش شانون در ۱۹۴۸ این بود که اطلاعات را می‌توان مستقل از بسترش سنجید؛ بینش لاندائر در ۱۹۶۱ این بود که با این حال از ترمودینامیک تبعیت می‌کند (پاک‌کردن یک بیت انرژی k·T·ln 2 مستهلک می‌کند). مهندسی کلاسیک فیزیک را پشت لایه‌های انتزاع چنان خوب پنهان می‌کند که بیشتر مهندسان نرم‌افزار هرگز به ترانزیستور فکر نمی‌کنند. محاسبات کوانتومی این آسایش را می‌گیرد: فیزیک خودِ بستر است، انتزاع نازک‌تر است، و مهندسی که فیزیکِ زیرِ API را بفهمد برتری واقعی دارد. این کتاب آگاهانه از این پشته پایین می‌رود؛ چون در محاسبات کوانتومی انتزاع دائماً نشتی دارد — نویز، کالیبراسیون و نرخ خطا در همهٔ لایه‌ها خودشان را نشان می‌دهند.
1.5چرا مکانیک کوانتوم وارد محاسبات می‌شود
هفتاد سال، محاسبات بر دوش کوچک‌سازی رشد کرد: قانون مور هر دو سال یک‌بار اندازهٔ ترانزیستورها را نصف می‌کرد. این مسیر به حد اتمی رسیده است — ترانزیستور «۳ نانومتری» امروزی مشخصه‌هایی چند صد اتمی دارد که تونل‌زنی کوانتومی در آن‌ها از قبل مسئلهٔ مهندسیِ قابل مدیریت است. پس مکانیک کوانتوم از دو مسیر وارد محاسبات می‌شود. منفعلانه: وقتی ترانزیستور کلاسیک آن‌قدر کوچک می‌شود که رفتارش کوانتومی می‌شود. فعالانه: با پرسیدن پرسش فاینمن — اگر شبیه‌سازی کلاسیکِ فیزیک کوانتومی به‌صورت نمایی گران است، آیا می‌توان رایانه‌ای ساخت که رفتار خودش کوانتومی باشد و آن هزینه را به منبع تبدیل کرد؟ مسیر دوم، تعریف این حوزه است. عجیب‌بودنِ کوانتوم را از مانع به یک Primitive محاسباتی تبدیل می‌کند — تداخل و درهم‌تنیدگی چیزهایی می‌شوند که با آن‌ها برنامه می‌نویسید، نه در برابرشان.
1.6رایانه‌های کوانتومی بالقوه چه می‌توانند بکنند؟
چهار خانواده، مرتب بر پایهٔ میزان اطمینان. شبیه‌سازی سامانه‌های کوانتومی — شیمی، مواد، فیزیک ذرات — نخستین و قابل‌دفاع‌ترین کاربرد است؛ جایی که هزینهٔ نماییِ کلاسیک با ظرفیت نماییِ کوانتومی رو‌به‌رو می‌شود. تحلیل رمز: الگوریتم شور اعداد صحیح را در زمان چندجمله‌ای تجزیه می‌کند و با رسیدن به ماشین‌های بزرگِ تحمل‌پذیر خطا، RSA و رمزنگاری منحنی بیضوی را می‌شکند. جست‌وجوی بدون ساختار و دست‌کاری دامنه: الگوریتم گروور بهبود مجانبیِ درجهٔ دو اثبات‌پذیری می‌دهد و تقویت دامنه زیربنای بسیاری از سازه‌هاست. جبر خطی: تخمین فاز کوانتومی و الگوریتم HHL شتاب‌هایی برای مسئله‌های مقدار ویژه و دستگاه‌های خطی وعده می‌دهند، هرچند با هشدارهای جدیِ بارگذاری داده (۱.۷ و ۵۰.۶). در همهٔ خانواده‌ها جملهٔ صادقانه یکی است: بهبود از چندجمله‌ای به نمایی یا درجهٔ دو، برای مسئله‌هایی با ساختارِ خاص — نه شتاب‌دهی عمومی.
1.7رایانه‌های کوانتومی احتمالاً چه کارهایی نخواهند کرد؟
همین حالا افسانه‌ها را کنار بگذارید. رایانهٔ کوانتومی «همهٔ پاسخ‌ها را موازی امتحان نمی‌کند و بهترین را برنمی‌دارد» — اندازه‌گیری یک نمونه به شما می‌دهد و تداخل باید مهندسی شود وگرنه حدس‌های موازی همدیگر را حذف می‌کنند. همهٔ رمزنگاری را نمی‌شکند: Primitiveهای متقارن فقط نصف طول کلیدشان را از دست می‌دهند (گروور)، و رمزنگاری پساکوانتومی از قبل جایگزین‌ها را استاندارد کرده است. مسئله‌های NP-کامل را به‌طور کارا حل نمی‌کند — BQP درون کلاسی‌ای (بر پایهٔ باور رایج) بین P و NP-کامل جای دارد؛ هیچ شواهد موثقی نیست که رایانهٔ کوانتومی NP-کامل را فتح کند. جایگزین محاسبات کلاسیک نمی‌شود: بارگذاری داده در حالت کوانتومی اغلب گلوگاهی است که شتاب را از بین می‌برد (۵۰.۶) و بارهای وابسته به I/O کلاسیک می‌مانند. هر یک از این ادعاها پشتوانهٔ قضیه‌ای دقیق یا شواهد پیچیدگی‌نظری قوی دارد — بخش هشتم.
1.8مزیت کوانتومی در برابر برتری کوانتومی
واژگان جامعه (به‌جا) جابه‌جا شده است. برتری کوانتومی یعنی دستگاه کوانتومی هر کاری — هرچقدر هم مصنوعی — را انجام دهد که برای ابررایانهٔ کلاسیک ناشدنی باشد؛ آزمایش نمونه‌برداری Sycamore گوگل در ۲۰۱۹ و نتایج بعدیِ boson sampling فوتونیکی چنین ادعایی داشتند. مزیت کوانتومی یعنی حل یک مسئلهٔ مفید و واقعی سریع‌تر یا ارزان‌تر از بهترین جایگزین کلاسیک — میلهٔ بسیار بالاتری. آزمایش‌های برتری از نظر علمی مهم‌اند (مدل محاسباتی را در مقیاس با طبیعت می‌سنجند) اما random circuit sampling بدون ارزش تجاری‌اند. مزیت همان چیزی است که صنعت واقعاً لازم دارد و در زمان نوشتنِ این متن فقط روی مسئله‌هایی کاملاً گزینش‌شده و شبیه بنچمارک نشان داده شده است، در حالی که الگوریتم‌های کلاسیک مدام میله را بالا می‌برند. حواستان باشد هر ادعا از کدام واژه استفاده می‌کند؛ می‌گوید بیانیهٔ مطبوعاتی را چطور بخوانید.
1.9تفاوت «ممکن است» و «مزیت عملی»
پیچیدگی مجانبی دربارهٔ رفتار وقتی n → ∞ است؛ مهندسی در n متناهی زندگی می‌کند. الگوریتم گروور مجانبیِ درجهٔ دو است، اما اورکلش باید هزاران بار پیوسته اجرا شود، پس روی سخت‌افزار واقعیِ تصحیح‌خطا‌شده نقطهٔ عبوری که در آن از هش کلاسیک جلو می‌زند در اندازهٔ دیتابیس‌های نجومی است. الگوریتم شور برای تجزیهٔ RSA-2048 به میلیون‌ها کیوبیت فیزیکی نیاز دارد؛ ماشین‌های امروز صدها کیوبیت فیزیکی دارند. این شکاف میانِ «الگوریتم مجانبی بهتر است» و «ماشینی هست که بهترش کند» جایی است که مهندسی کوانتومی زندگی می‌کند. سه پرسش دربارهٔ هر ادعای شتاب یاد بگیرید: ثابت و شمار منابع چه است؟ هزینهٔ سخت‌افزارِ تصحیح‌خطا‌شده چقدر است؟ با کدام پایهٔ مقایسهٔ کلاسیک مقایسه شده؟ فصل ۲۸ این را صورت‌بندی می‌کند؛ بقیهٔ کتاب ابزارهای پاسخ‌دادن را می‌سازند.
1.10وضعیت کنونی حوزه
در ۲۰۲۶ حوزه در گذار به تصحیح خطا است. سکوهای ابررسانا (IBM، Google) صدها کیوبیت فیزیکی دارند؛ تراشهٔ Willow گوگل در ۲۰۲۴ تصحیح خطای surface code زیرِ آستانه را نشان داد — نرخ خطای منطقی با بزرگ‌شدن فاصلهٔ کد بهتر می‌شود — و سکوهای متعدد (Quantinuum، QuEra، Microsoft/Atom) کیوبیت‌های منطقی بهتری از کیوبیت‌های فیزیکی نمایش دادند. نقشهٔ راه عمومی IBM هدفش سامانهٔ تحمل‌پذیر خطا (Starling) حدود ۲۰۲۹ است. هم‌زمان، کاربردهای عصر NISQ (نویزی، بدون تصحیح خطا) وجود دارند اما مزیت کوانتومی تجاریِ قانع‌کننده‌ای نشان نداده‌اند؛ شبیه‌سازهای کلاسیک در بسیاری از بنچمارک‌های محل مناقشه هنوز می‌برند. شمار کیوبیت‌ها، زمان‌های هم‌دوسی و وفاداری گیت‌ها هر سال بهتر می‌شود، اما ماشینی که RSA-2048 را تجزیه کند یا مولکولی از نظر صنعتی جالب را شبیه‌سازی کند، احتمالاً یک دهه یا بیشتر فاصله دارد. این بدبینی نیست — همان افق برنامه‌ریزی تیم‌های جدی است.
1.11چرخهٔ هیجان محاسبات کوانتومی
محاسبات کوانتومی تقریباً سر‌به‌سر مثل منحنی هیجان گارتنر عمل می‌کند: قلهٔ انتظارات متورم (حدود ۲۰۱۸–۲۰۲۱، وقتی اعلام‌های «مزیت کوانتومی» محصول تجاری را تداعی می‌کرد)، درهٔ سرخوردگی (وقتی الگوریتم‌های کلاسیک چند مزیتِ ادعاشده را جواب دادند یا پشت سر گذاشتند)، و اکنون بالا رفتن آهستهٔ توانِ واقعی — اما باریک‌تر. بیانیه‌های مطبوعاتی شرکت‌ها روی قله‌اند؛ مقالات پژوهشی شیب دره را توصیف می‌کنند. برای کسی که شغل می‌سازد این الگو کاربردی است: استخدام با تأخیر از هیجان پیروی می‌کند، بودجه از هر دو، و مجموعه‌مهارتِ ماندگار (بخش‌های چهاردهم تا شانزدهم) باید از دره جان سالم به ببرد. یک تمرین مفید: هر ادعای کوانتومی را با عدد و به زبان خودتان بازنویسی کنید، بعد ببینید اعداد به کیوبیت فیزیکی، کیوبیت منطقی، کیوبیت شبیه‌ساز یا کیوبیت بازاریابی اشاره دارند. چهار چیز کاملاً متفاوت.
1.12تفکیک مسئله‌های پژوهشی از ادعاهای تبلیغاتی
تبلیغات فشرده می‌کند؛ پژوهش گسترش می‌دهد. نشانه‌های ادعای پژوهشی: مقاله در arXiv با اثبات‌ها آمده، شمار منابع شامل نرخ خطا و عمق مدار است، مقایسه با قوی‌ترین پایهٔ کلاسیکِ شناخته‌شده انجام شده، و نویسندگان محدودیت‌ها را صریح گفته‌اند. نشانه‌های تبلیغاتی: شمار کیوبیت بدون نرخ خطا، «quantum-ready» بدون مشخص‌کردن بار کاری، ادعای شتاب در برابر یک پایهٔ کلاسیک دست‌سازِ ضعیف، و انتخاب بنچمارک صرفاً به این دلیل که سخت‌افزار کوانتومی اتفاقاً در آن خوب است. قاعدهٔ عملی: دربارهٔ هر نتیجه بپرسید چه چیزی آن را رد می‌کرد و آیا کسی امتحانش کرد؟ آزمایش برتری گوگل الگوی درست است — از جمله مقالاتِ واکنش کلاسیکِ پرشوری که برانگیخت. این کتاب به شما می‌آموزد دقیقاً منابع دست‌اول را بخوانید (بخش چهاردهم) تا هرگز به PR یا خلاصهٔ دیگران وابسته نمانید.
1.13چرا محاسبات کوانتومی دشوار است
چهار دشواری روی هم‌انباشته؛ هر یک به‌تنهایی برای متوقف‌کردن یک حوزه کافی است. هم‌دوسی‌زدایی: حالت کیوبیت در مقیاس میکروثانیه تا ثانیه به محیط نشت می‌کند و محاسبه با ساعت مسابقه می‌دهد. عدم امکان کپی: قضیهٔ عدم شبیه‌سازی همان افزونگی را ممنوع می‌کند که مدیریت خطای کلاسیک روی آن استوار است؛ نمی‌توانید checkpoint بگیرید، نسخهٔ پشتیبان بسازید یا حالت را بازخوانی کنید. دقت کنترل: گیت‌ها عملیات آنالوگ فیزیکی‌اند (پالس مایکروویو، زمان‌بندی لیزر) با نرخ خطای حدود ۱۰⁻³ تا ۱۰⁻²، در برابر حدود ۱۰⁻¹⁸ برای منطق کلاسیک. شکنندگی نمایی: حالت n کیوبیت در 2ⁿ بُعد زندگی می‌کند، پس شبیه‌سازی کلاسیک — ابزار اصلی اشکال‌زدایی شما — نزدیک ۵۰ کیوبیت نویزی می‌میرد. این‌ها روی هم مسئلهٔ مهندسی تعریف‌کنندهٔ حوزه را می‌سازند: تصحیح خطا، بخش دهم، که سربارش دلیل اصلی این است که هنوز هیچ‌کس ماشین تحمل‌پذیرِ مفید ندارد. دشواری همان دلیل نیاز حوزه به مهندسان است.
1.14چرا محاسبات کوانتومی ممکن است هنوز اهمیت داشته باشد
سه دلیل مستقل این شرط‌بندی را توجیه می‌کنند. علمی: رایانهٔ کوانتومی مقیاس‌پذیر به پرسش‌های عمیقی دربارهٔ توان محاسباتیِ خودِ قانون فیزیک پاسخ می‌دهد — این دانش واقعی است، فارغ از نتایج تجاری. اختیار اقتصادی: شیمی و طراحی مواد با محرکِ شبیه‌سازی می‌تواند خطوط کشفی را فشرده کند که امروز با دهه سنجیده می‌شوند؛ جایزه سرمایهٔ صبور را توجیه می‌کند. راهبردی: رایانهٔ کوانتومیِ دارای اهمیت رمزنگارانه، ریاضیات امنیت ملی را بازتعریف می‌کند؛ پس دولت‌ها حوزه را از زمستان‌ها عبور می‌دهند — یعنی شغل‌ها از تجاری‌شدنِ آهسته جان می‌دهند. و اثری مرتبهٔ دوم هم هست که این کتاب آگاهانه روی آن تکیه دارد: ریاضیات، روش‌های عددی، تحلیل خطا و انضباط آزمایشگاهی که در مسیر می‌سازید (بخش‌های سوم، هفتم، دهم) مستقیماً در HPC کلاسیک، یادگیری ماشین و محاسبات علمی ارزش دارند. downside محدود است؛ upside نسلی است.
1.15نقش هوش مصنوعی در محاسبات کوانتومی
هوش مصنوعی مهندسی کوانتومی را همان‌طور دگرگون می‌کند که مهندسی نرم‌افزار کلاسیک را دگرگون کرد — ناهموار و از پایین. تولید کد، مستندسازی، ساخت مدارهای قالبی و transpile روتین عملاً از الان خودکارشدنی‌اند. کارهای پژوهشیِ مساعدت‌شده — غربال ادبیات، طرح‌ریزی قضیه، تولید فرضیهٔ آزمایش، اکتشافات رمزگشا — سریع بهتر می‌شوند. آنچه تغییر نمی‌کند: فیزیک قابل مذاکره نیست، ریاضیاتِ توهم‌زده ریاضیات نیست، و قضاوت دربارهٔ درست، نو یا مرتبط‌بودنِ یک نتیجه همچنان کار انسانی است با ریسک واقعی. نتیجهٔ راهبردی برای شما برخلاف شهود است: هوش مصنوعی ارزشِ مبانی عمیق‌تر را بیشتر می‌کند نه کمتر، چون ارزش مهندس از نوشتن کد به مشخص‌کردن، راستی‌آزمایی و طراحی جابه‌جا می‌شود — دقیقاً مهارت‌های بخش‌های سوم تا دهم و تز بخش پانزدهم. فیزیکی را بیاموزید که هوش مصنوعی نمی‌تواند برایتان اشتقاق بدهد.
1.16هوش مصنوعی چه چیزی را می‌تواند خودکار کند
دربارهٔ لایهٔ خودکارشدنی دقیق باشید، چون تعیین می‌کند در چه چیزی نباید بیش از حد سرمایه‌گذاری کنید. قالب‌های Qiskit، پیکربندی transpilation، رسم نمودار و اسکلت تست: عملاً حل‌شده. ساخت مدارهای استاندارد از توصیف دقیق الگوریتم (یک QFT، یک اورکل گروور برای تابع بولی مشخص): الان خودکارشدنی است. خلاصه‌سازی ادبیات و گردآوری پیشینه: با راستی‌آزمایی خوب است. بهینه‌سازی روتین — حذف گیت، جست‌وجوی layout، حلقه‌های تنظیم پارامتر: به‌سرعت خودکارشدنی است و ارزش خودکارکردن دارد (۴۶.۸). دست‌کاری‌های نمادین ساده — بازکردن ضرب تانسوری، بررسی گام‌های کوچک جبری — با بازبینی دقیق کار می‌کنند. الگو را ببینید: هر چیزِ خودکارشدنی مشخصاتی دارد که خودش دقیق است. نوشتن آن مشخصات دقیقاً همان دانش کوانتومی‌ای است که این کتاب می‌آموزد؛ خودکارسازی پایین‌دستِ فهم است، هرگز جایگزینش نیست.
1.17چه چیزی بنیاداً دشوار می‌ماند
حالا لایهٔ انسانی — بخش‌هایی که مال شما می‌مانند. انتخاب مسئله: تصمیم‌گرفتن که از میان هزار آزمایش ممکن کدام اهمیت دارد، ذوق است نه جست‌وجو. شهود فیزیکی: دانستن اینکه یک مدل هم‌دوسی‌زدایی غیرواقعی است یا ادعای fidelity نشتی را پنهان می‌کند، از درونی‌کردن رفتار واقعی دستگاه‌ها می‌آید (بخش یازدهم). راستی‌آزمایی خروجی ماشین: اشتقاق‌های تولیدشده توسط هوش مصنوعی پیش از درست‌بودن، فقط موجه‌اند؛ کشف این، به انجام‌دادنِ خودِ ریاضیات کافی‌بار نیاز دارد (۲.۱۹). قضاوت آزمایشگاهی زیر نویز: دادهٔ واقعی مبهم است، پایه‌ها محل مناقشه‌اند، و دانستن اینکه کی به هیستوگرام ۱۰ shot اعتماد کند و کی ۱۰٬۰۰۰ shot بخواهد، مهارت صنعتگری است. ابداع معماری: پشتهٔ کامپایلر، رمزگشا و کنترلِ عصر تحمل‌پذیر خطا را هیچ‌کس مشخص نکرده؛ کسی باید طراحی‌اش کند (بخش دوازدهم). هر یک مهارتی است که می‌توان آگاهانه ساخت — و هیچ‌کدام در ۲۰۲۶ به‌طور قابل‌اعتماد به مدل واگذارشدنی نیست.
1.18انتخاب محاسبات کوانتومی به‌عنوان شغل
تصمیم شغلی همان سخت‌گیری الگوریتم را می‌طلبد. استخدام در محاسبات کوانتومی کوچک است (در کل جهان احتمالاً ده‌ها هزار نقش در صنعت و دانشگاه، در برابر میلیون‌ها نقش نرم‌افزار کلاسیک)، جغرافیای آن متمرکز است و چرخه دارد — از ضربان بودجه و نقاط عطف سخت‌افزار پیروی می‌کند. پروفایل‌های ورود دو دسته‌اند: فیزیک‌دان‌های PhD که کدنویسی آموختند، و مهندسان نرم‌افزاری که فیزیک آموختند؛ مسیر دوم همین کتاب است. حساب پول هم فرق دارد: حقوق کوانتومی خوب است اما ارزش اختیاریِ واقعی — سوارشدن بر منحنی فناوری از ده‌ها کیوبیت فیزیکی به میلیون‌ها — جایزهٔ اصلی است؛ مثل پیوستن به محاسبات کلاسیک در دههٔ ۱۹۷۰ یا یادگیری ماشین در ۲۰۱۲. قاعدهٔ تصمیم: اگر با پول کندتر و زمان‌بندی طولانی‌تر هم از علم اطلاعات کوانتومی لذت می‌برید، ارزش مورد انتظار مثبت است. اگر بازده سریع لازم دارید، کلاسیک بمانید و کوانتوم را خط جانبیِ قوی نگه دارید.
1.19نقشهٔ شغل‌های کوانتومی
حوزه به لایه‌هایی می‌شکند که هر یک کار روزمره و شرایط ورود متفاوتی دارد. مهندس نرم‌افزار/الگوریتم کوانتومی کاربردها، کتابخانه‌ها و سرویس‌های ابری می‌سازد — نزدیک‌ترین به مهارت‌های فعلی شما. مهندس کامپایلر مدارهای منطقی را به برنامه‌های مقید به سخت‌افزار ترجمه می‌کند (بخش دوازدهم) — رشته‌ای مهندسیِ کلاسیک درون کوانتوم. پژوهشگر تصحیح خطا کدها را طراحی و رمزگشایی می‌کند (بخش دهم) — در حال حاضر داغ‌ترین زیرحوزه، بین نظریه و سخت‌افزار. مهندس کنترل با پالس و بازخورد کیوبیت‌ها را می‌رانَد — فیزیک به‌همراه سیستم‌های نهفته. فیزیک‌دان آزمایشگاهی دستگاه می‌سازد و کالیبره می‌کند — مسیر سخت‌افزار، مقید به آزمایشگاه. دانشمند کاربردها پل مشتری–الگوریتم است؛ رمزنگار مهاجرت پساکوانتومی را مدیریت می‌کند (۵۱.۹) — حوزه‌ای با تقاضای تجاریِ فوری. فصل‌های ۶۰ تا ۶۳ هر یک را نقشه می‌کند: مهارت‌های لازم، کارفرمایان معمول، و نقاط ورود واقع‌بینانه از ایران بدون وابستگی نهادی.
1.20تصمیم‌گیری: از کدام لایه وارد شویم
با سه صافی انتخاب کنید: چه دارید، چه چیز کمیاب می‌ماند، و چه چیزی از هوش مصنوعی جان می‌دهد. شما با مهندسی نرم‌افزار می‌آیید: کامپایلرها، رمزگشاهای تصحیح خطا، زیرساخت شبیه‌سازی و نرم‌افزار ابری روی نقاط قوت فعلی‌تان می‌نشینند. کمیاب و در حال رشد: مهندسی تصحیح خطا (۳۷)، رمزگشایی بلادرنگ (۳۷.۶ تا ۳۷.۷) و کامپایل آگاه از نویز (۴۵.۹) صنایعی گلوگاه‌اند که فعالانه دنبال کسانی می‌گردند که بتوانند کد بزنند. مقاوم در برابر هوش مصنوعی: نقش‌هایی که هسته‌شان استدلال قیدهای فیزیکی و قضاوت آزمایشگاهی است، بهترین پیری را دارند. سه صافی را روی هم بگذارید و راهبرد پیش‌فرض بیرون می‌آید: ورود از نقش‌های نرم‌افزاریِ ترکیبی (شبیه‌سازی، کامپایل، رمزگشایی)، ساختن اثبات‌کارِ عمومی (۶۲)، و سپس تخصص‌گرفتن در جایی که پروژه‌هایتان شما را می‌کشند. هفت پروژهٔ بخش هجدهم دقیقاً برای تولید همین نمونه‌کار طراحی شده‌اند و بخش نوزدهم پنج سال آینده را حول آن می‌چیند.