Google pētnieki ir atklājuši jaunu tehniku, kas varētu beidzot padarīt kvantu skaitļošanu praktisku reālajā dzīvē, izmantojot mākslīgo intelektu, lai atrisinātu vienu no zinātnes visilgstošajām problēmām: stabilākas valstis.
Pētījumā, kas publicēts žurnālā Nature, Google Deepmind zinātnieki skaidro, ka viņu jaunā AI sistēma, AlphaQubit, ir pierādījusi izcili veiksmīga pastāvīgo kļūdu labošanā, kas ilgstoši ir traucējusi kvantu datoriem.
"Kvantu datori ir potenciāli spējīgi revolucionizēt zāļu atklāšanu, materiālu dizainu un fundamentālo fiziku—ja mēs varam panākt, lai tie darbotos uzticami," liecina Google paziņojums. Bet nekas nav ideāls: kvantu sistēmas ir ārkārtīgi trauslas. Pat vismazākā vides iejaukšanās—no siltuma, vibrācijām, elektromagnētiskajiem laukiem vai pat kosmiskajiem stariem—var izjaukt viņu delikātās kvantu valstis, izraisot kļūdas, kas padara skaitļošanas procesu neuzticamu.
Marta pētījums uzsver izaicinājumu: kvantu datoriem nepieciešama kļūdu likme, kas ir tikai viens miljardā operāciju (10^-12) praktiskai lietošanai. Tomēr pašreizējā aparatūra ir ar kļūdu likmēm no 10^-3 līdz 10^-2 par operāciju, padarot kļūdu labošanas procesu izšķirošu.
"Dažus uzdevumus, kuru risināšana tradicionālajam datoram prasītu miljardiem gadu, kvantu dators varētu atrisināt tikai stundās," norāda Google. "Tomēr šie jaunie procesori ir vairāk pakļauti trokšņiem nekā tradicionālie."
“Ja mēs vēlamies padarīt kvantu datorus uzticamākus, īpaši lielā apmērā, mums ir precīzi jāidentificē un jālabo šīs kļūdas.”
Google jaunā AI sistēma, AlphaQubit, vēlas risināt šo problēmu. AI sistēma izmanto sarežģītu neironu tīklu arhitektūru, kas ir pierādījusi iepriekš nebijušu precizitāti kvantu kļūdu identificēšanā un labošanā, parādot par 6% mazāk kļūdu nekā iepriekšējās labākās metodes lielos mērogos eksperimentos un par 30% mazāk kļūdu nekā tradicionālās tehnikas.
Tas arī saglabāja augstu precizitāti kvantu sistēmās, kas svārstījās no 17 kubitiem līdz 241 kubitam—kas liecina, ka pieeja varētu tikt pielāgota lielākām sistēmām, kas nepieciešamas praktiskai kvantu skaitļošanai.
Zem pārsega
AlphaQubit izmanto divu posmu pieeju, lai sasniegtu augstu precizitāti.
Sistēma vispirms apmāca uz simulētajiem kvantu trokšņa datiem, apgūstot vispārējās kvantu kļūdu shēmas, pēc tam pielāgojas reālajai kvantu aparatūrai, izmantojot ierobežotu eksperimentālo datu daudzumu.
Šis pieejas veids ļauj AlphaQubit tikt galā ar sarežģītiem reālās pasaules kvantu trokšņa efektiem, tostarp pārvietošanos starp kubitiem, noplūdi (kad kubiti iznāk no savām skaitļošanas stāvokļiem) un smalkām korelācijām starp dažādu veidu kļūdām.
Bet nepārliecinieties pārāk daudz; jūs drīz vien neiegūsiet kvantu datoru savā garāžā.
Neskatoties uz tā precizitāti, AlphaQubit joprojām saskaras ar nozīmīgiem šķēršļiem pirms praktiskas īstenošanas. "Katras konsekvences pārbaude ātrajā supervadošajā kvantu procesorā tiek mērīta miljonu reizes katru sekundi," norāda pētnieki. "Lai gan AlphaQubit lieliski identificē kļūdas, tas joprojām ir pārāk lēns, lai labotu kļūdas supervadošajā procesorā reālajā laikā."
"Mācīšanās ar lielākiem kodu attālumiem ir sarežģītāka, jo piemēri ir sarežģītāki, un paraugu efektivitāte šķiet zemāka lielākos attālumos," teica Deepmind pārstāvis Decrypt, "Tas ir svarīgi, jo kļūdu likme palielinās eksponenciāli ar kodu attālumu, tāpēc mēs sagaidām, ka būs jāatrisina lielāki attālumi, lai iegūtu superzemas kļūdu likmes, kas nepieciešamas kļūdu izturīgai skaitļošanai lielos, dziļos kvantu ķēdēs.
Pētnieki koncentrējas uz ātruma optimizāciju, mērogojamību un integrāciju kā kritiskām jomām nākotnes attīstībai.
AI un kvantu skaitļošana veido sinerģisku attiecību, uzlabojot otra potenciālu. "Mēs sagaidām, ka AI/ML un kvantu skaitļošana paliks papildinošas pieejas skaitļošanai. AI var tikt pielietots citās jomās, lai atbalstītu kļūdu izturīgu kvantu datoru attīstību, piemēram, kalibrācijā un kompilācijā vai algoritmu izstrādē," teica pārstāvis Decrypt, "vienlaikus cilvēki pēta kvantu ML lietojumprogrammas kvantu datiem, un, vairāk spekulatīvi, kvantu ML algoritmus uz klasiskajiem datiem.
Šī konverģence varētu būt izšķiroša pagrieziena punkts skaitļošanas zinātnē. Kad kvantu datori kļūst arvien uzticamāki, pateicoties AI palīdzētai kļūdu labošanai, tie varētu, savukārt, palīdzēt attīstīt sarežģītākas AI sistēmas, radot spēcīgu atsauksmes loku tehnoloģiskajā attīstībā.
Praktiskās kvantu skaitļošanas laikmets, ilgi solīts, bet nekad nesniegts, varētu beidzot būt tuvāk—lai gan ne tik tuvu, lai sāktu uztraukties par kiborga apokalipsi.
Rediģējis Sebastians Sinklairs