برای نخستین بار، مزیت کوانتومی در یادگیری مولد به نمایش گذاشته شد
عنوان خبر: برای نخستین بار، مزیت کوانتومی در یادگیری مولد به نمایش گذاشته شد
ژانر/موضوع: یادگیری ماشین کوانتومی
تاریخ انتشار خبر: 15 سپتامبر 2025
لینک خبر: The Quantum Insider
چکیده:
شرکت Google Quantum AI برای نخستین بار شواهدی از مزیت کوانتومی مولد (generative quantum advantage) ارائه کرده است؛ دستاوردی که نشان میدهد رایانههای کوانتومی نهتنها قادر به یادگیری هستند، بلکه میتوانند خروجیهایی تولید کنند که برای رایانههای کلاسیک دستنیافتنی است. برخلاف پژوهشهای پیشین که بر نمونهبرداری از مدارهای تصادفی متمرکز بودند، این مطالعه بر یادگیری و استنتاج کوانتومی تمرکز دارد. پژوهشگران با استفاده از پردازنده ابررسانای ۶۸ کیوبیتی سه قابلیت کلیدی را به نمایش گذاشتند: تولید توزیعهای پیچیده رشته بیتی، فشردهسازی مدارهای عمیق به نسخههای کمعمقتر، و یادگیری حالتهای کوانتومی از طریق اندازهگیریهای محلی. در این رویکرد از شبکههای عصبی کوانتومی عمیق آنی استفاده شد که مشکلات رایج بهینهسازی را برطرف کرده و امکان آموزش کارآمد را فراهم میکنند. این پیشرفت میتواند کاربردهای بالقوهای در طراحی مولکولها، توسعه مواد جدید و ایجاد کدهای تصحیح خطا داشته باشد. هرچند این نتایج هنوز در حد یک اثبات مفهومی بوده و با محدودیتهایی مانند نویز و مقیاسپذیری مواجهاند، اما گذر از وظایف نمونهبرداری صرف به سمت یادگیری مولد عملی را نشان میدهند و مدلهای کوانتومی را بهعنوان مکملی نویدبخش برای روشهای کلاسیک هوش مصنوعی معرفی میکنند.
شرح کامل خبر:
پژوهشگران گوگل کوانتوم AI نخستین شواهد تجربی از مزیت کوانتومی مولد را گزارش کردهاند؛ دستاوردی مهم که گامی بزرگ در پیوند محاسبات کوانتومی و یادگیری ماشین به شمار میرود. در گذشته، نمایشهایی از برتری کوانتومی ــ مانند نمونهبرداری از مدارهای تصادفی ــ نشان داده بودند که دستگاههای کوانتومی میتوانند خروجیهایی تولید کنند که ابررایانههای کلاسیک قادر به بازتولید آنها نیستند. بااینحال، این نتایج عمدتاً محدود به تولید توزیعهای پیچیده اما کمکاربرد بود. مطالعه جدید این مرز را گسترش داده و نشان میدهد که رایانههای کوانتومی میتوانند از دادهها یاد بگیرند و سپس خروجیهای جدیدی بسازند که فراتر از توان روشهای کلاسیک است؛ قابلیتی که در قلب هوش مصنوعی مولد مدرن قرار دارد.
تیم پژوهشی به یک تنگنای دیرینه پرداخت: مدارهای کوانتومی قادر به تولید توزیعهای احتمالی غیرقابلمحاسبه برای رایانههای کلاسیک هستند، اما یادگیری کارآمد این توزیعها همواره دشوار بوده است. آموزش کلاسیک اغلب به دلیل مشکل barren plateaus و تلههای بهینهسازی شکست میخورد. برای حل این مشکل، پژوهشگران خانوادهای از شبکههای عصبی کوانتومی عمیق آنی (ID-QNNs) معرفی کردند که هم شبیهسازی آنها برای رایانههای کلاسیک دشوار است و هم بهطور اثباتشده قابلیت آموزش دارند. رویکرد آنها بر یک روش تقسیموغلبه موسوم به «دوختن یا sewing» تکیه دارد که وظایف یادگیری را به بخشهای کوچکتر و قابل مدیریت با چشماندازهای بهینهسازی مطلوب تقسیم میکند.
با استفاده از پردازنده ابررسانای ۶۸ کیوبیتی گوگل، سه قابلیت اصلی بهطور تجربی تأیید شد: نخست، آموزش مدلهای کوانتومی برای تولید توزیعهای رشته بیتی که مدلهای کلاسیک با افزایش ابعاد قادر به بازتولید آنها نیستند؛ دوم، فشردهسازی مدارهای کوانتومی عمیق به نسخههای کمعمقتر که شبیهسازیهای فیزیکی را سریعتر کرده و در عین حال پیچیدگی اساسی را حفظ میکند؛ و سوم، یادگیری حالتهای کوانتومی از طریق اندازهگیریهای محلی که پیشبینیهای نظری را با نتایج عملی تأیید کرد. آزمایشهای مقیاسگذاری نشان میدهد که امکان شبیهسازی مؤثر تا ۸۱۶ کیوبیت وجود دارد و برونیابیها مزایایی بالقوه تا بیش از ۳۴٬۰۰۰ کیوبیت را نوید میدهد ــ حوزهای کاملاً فراتر از دسترس کلاسیک.
پیامدهای این پژوهش قابل توجه است. همانطور که مدلهای زبانی بزرگ با یادگیری توزیع کلمات متون منسجم تولید میکنند، مدلهای مولد کوانتومی نیز میتوانند در آینده ساختارهای مولکولی، پیکربندیهای مواد یا کدهای تصحیح خطایی بسازند که برای سیستمهای کلاسیک دستنیافتنی است. بااینحال، این کار هنوز در حد اثبات مفهومی باقی مانده: تاکنون مجموعهدادههای واقعی که برتری کوانتومی در آنها تعیینکننده باشد شناسایی نشده و نویز سختافزاری همچنان مانع مقیاسپذیری است.
با وجود این، این دستاورد مرز جدیدی برای برتری کوانتومی تعریف میکند. مزیت کوانتومی از تولید پیچیدگیهای تصادفی به سمت یادگیری و استنتاج بازتعریف میشود و راه را برای مدلهای مولد کوانتومی با کاربردهای علمی و صنعتی واقعی هموار میسازد.
منابع:
[1] https://thequantuminsider.com/2025/09/15/generative-ai-meets-quantum-advantage-in-googles-latest-study/
[2] https://arxiv.org/pdf/2509.09033
دیدگاه خود را درباره این خبر با ما به اشتراک بگذارید.
