Badacze Google odkryli nową technikę, która może w końcu uczynić obliczenia kwantowe praktycznymi w rzeczywistości, wykorzystując sztuczną inteligencję do rozwiązania jednego z najbardziej uporczywych wyzwań nauki: bardziej stabilnych stanów.

W artykule badawczym opublikowanym w Nature, naukowcy Google Deepmind wyjaśniają, że ich nowy system AI, AlphaQubit, okazał się niezwykle skuteczny w korygowaniu uporczywych błędów, które od dawna dręczą komputery kwantowe.

„Komputery kwantowe mają potencjał do zrewolucjonizowania odkrywania leków, projektowania materiałów i podstawowej fizyki — o ile uda nam się je uruchomić niezawodnie,” czytamy w ogłoszeniu Google. Ale nic nie jest doskonałe: systemy kwantowe są niezwykle delikatne. Nawet najmniejsze zakłócenia środowiskowe — od ciepła, wibracji, pól elektromagnetycznych czy nawet promieni kosmicznych — mogą zakłócać ich delikatne stany kwantowe, prowadząc do błędów, które czynią obliczenia niewiarygodnymi.

Badania z marca podkreślają wyzwanie: komputery kwantowe potrzebują wskaźnika błędów wynoszącego zaledwie jeden na bilion operacji (10^-12) do praktycznego użycia. Jednak obecny sprzęt ma wskaźniki błędów między 10^-3 a 10^-2 na operację, co czyni korekcję błędów kluczową.

„Niektóre problemy, które zajmowałyby konwencjonalnemu komputerowi miliardy lat do rozwiązania, zajmowałyby komputerowi kwantowemu tylko godziny,” stwierdza Google. „Jednak te nowe procesory są bardziej podatne na szumy niż konwencjonalne.”

„Jeśli chcemy uczynić komputery kwantowe bardziej niezawodnymi, szczególnie na dużą skalę, musimy dokładnie zidentyfikować i skorygować te błędy.”

Nowy system AI Google, AlphaQubit, chce zająć się tym problemem. System AI wykorzystuje zaawansowaną architekturę sieci neuronowej, która wykazała bezprecedensową dokładność w identyfikowaniu i korygowaniu błędów kwantowych, pokazując o 6% mniej błędów niż poprzednie najlepsze metody w dużych eksperymentach i o 30% mniej błędów niż tradycyjne techniki.

Utrzymał również wysoką dokładność w systemach kwantowych w zakresie od 17 kubitów do 241 kubitów — co sugeruje, że podejście to może być skalowane do większych systemów potrzebnych do praktycznych obliczeń kwantowych.

Pod maską

AlphaQubit stosuje dwuetapowe podejście do osiągnięcia swojej wysokiej dokładności.

System najpierw trenuje na zasymulowanych danych szumów kwantowych, ucząc się ogólnych wzorców błędów kwantowych, a następnie dostosowuje się do rzeczywistego sprzętu kwantowego, używając ograniczonej ilości danych eksperymentalnych.

To podejście pozwala AlphaQubit radzić sobie z złożonymi efektami szumów kwantowych w rzeczywistym świecie, w tym z zakłóceniami między kubitami, wyciekami (kiedy kubity opuszczają swoje stany obliczeniowe) oraz subtelnymi korelacjami między różnymi typami błędów.

Ale nie ekscytuj się zbytnio; nie będziesz miał komputera kwantowego w swoim garażu wkrótce.

Pomimo swojej dokładności, AlphaQubit wciąż stoi przed znacznymi przeszkodami przed wdrożeniem praktycznym. „Każda kontrola spójności w szybkim nadprzewodzącym procesorze kwantowym jest mierzona milion razy na sekundę,” zauważają badacze. „Podczas gdy AlphaQubit jest doskonały w dokładnym identyfikowaniu błędów, wciąż jest zbyt wolny, aby korygować błędy w nadprzewodzącym procesorze w czasie rzeczywistym.”

„Szkolenie na większych odległościach kodowych jest trudniejsze, ponieważ przykłady są bardziej skomplikowane, a efektywność próbkowania wydaje się niższa na większych odległościach,” powiedział przedstawiciel Deepmind Decrypt, „To ważne, ponieważ wskaźnik błędów rośnie wykładniczo z odległością kodową, więc oczekujemy, że będziemy musieli rozwiązać większe odległości, aby osiągnąć ultra-niskie wskaźniki błędów potrzebne do obliczeń odpornych na błędy na dużych, głębokich obwodach kwantowych.

Badacze koncentrują się na optymalizacji szybkości, skalowalności i integracji jako kluczowych obszarach przyszłego rozwoju.

AI i obliczenia kwantowe tworzą synergistyczny związek, wzmacniając potencjał obu. „Oczekujemy, że AI/ML i obliczenia kwantowe pozostaną komplementarnymi podejściami do obliczeń. AI może być stosowane w innych obszarach, aby wspierać rozwój odpornych na błędy komputerów kwantowych, takich jak kalibracja i kompilacja lub projektowanie algorytmów,” powiedział przedstawiciel Decrypt, „jednocześnie ludzie badają zastosowania ML kwantowego dla danych kwantowych, a bardziej spekulatywnie, dla algorytmów ML kwantowych na danych klasycznych.

Ta konwergencja może stanowić kluczowy punkt zwrotny w naukach obliczeniowych. W miarę jak komputery kwantowe stają się coraz bardziej niezawodne dzięki wspomaganej przez AI korekcji błędów, mogą z kolei pomóc w rozwoju bardziej zaawansowanych systemów AI, tworząc potężną pętlę sprzężenia zwrotnego postępu technologicznego.

Era praktycznych obliczeń kwantowych, długo obiecywana, ale nigdy nie zrealizowana, może w końcu być bliżej — choć nie na tyle blisko, aby zaczynać martwić się o apokalipsę cyborgów.

Redagowane przez Sebastiana Sinclaira