خلاصه خبر:
کامپیوترهای کوانتومی با نوید انقلابی در حل مسائل، به دلیل نویز با چالش بزرگی روبرو هستند. برای رفع این مشکل، Google DeepMind و Google Quantum AI رمزگشای AlphaQubit را معرفی کردند، رمزگشایی با هوش مصنوعی که خطاهای کوانتومی را با دقتی بی سابقه شناسایی و تصحیح میکند.این پیشرفت از شبکه های عصبی مبتنی بر ترانسفورمرها برای بهبود تصحیح خطا برای سیستم های کوانتومی استفاده میکند.این رمزگشا که بر روی پردازنده کوانتومی Sycamore گوگل آموزش دیده ، خطاها را تا 6 درصد در مقایسه با شبکه های تانسور و 30 درصد در مقایسه با رمزگشاهای مقیاس پذیر قبلی کاهش داده، به طور موثر مقیاس میشود و عملکرد بالا را در سیستم های شبیه سازی شده تا 241 کیوبیت و 100000 چرخه تصحیح خطا حفظ میکند.در حالیکه چالش‌هایی مانند سرعت آنی و آموزش کارآمد از نظر داده‌ها همچنان پابرجا هستند، این دستاورد یک گام مهم به سمت محاسبات کوانتومی قابل اعتماد است.
توضیحات تکمیلی:
محاسبات کوانتومی نوید حل مسائلی را می دهد که برای کامپیوترهای کلاسیک میلیاردها سال طول می کشد، قفل پیشرفت در کشف دارو، علم مواد و فیزیک بنیادی را باز می کند. با این حال، پردازنده‌های کوانتومی به شدت مستعد نویز هستند که ناشی از گرما، نقص سخت‌افزاری، تداخل الکترومغناطیسی و حتی پرتوهای کیهانی است و قابلیت اطمینان مورد نیاز برای کاربردهای عملی را تهدید میکند. در یک پیشرفت، محققان Google DeepMind و Google Quantum AI از AlphaQubit رونمایی کردند، یک رمزگشای پیشرفته شبکه عصبی که به طور قابل توجهی تصحیح خطای کوانتومی را ارتقا می دهد.
تصحیح خطای کوانتومی با رمزگذاری اطلاعات منطقی به صورت اضافی در چندین کیوبیت فیزیکی کار می کند. یک "کیوبیت منطقی" از گروهی از کیوبیت‌های فیزیکی تشکیل میشود که در آن بررسی‌های منظم برای شناسایی و تصحیح خطاها انجام میشود. AlphaQubit این فرآیند را با استفاده از شبکه‌های عصبی مبتنی بر ترانسفورمر، مدلی که زیربنای بسیاری از سیستم‌های هوش مصنوعی بزرگ است، بهبود می‌بخشد. این سیستم با استفاده از بررسی‌های افزونگی، خطاها را در کیوبیت منطقی شناسایی و تصحیح میکند و همدوسی کوانتومی را طی محاسبات حفظ میکند.
AlphaQubit با استفاده از داده های پردازنده کوانتومی Sycamore گوگل آموزش داده شده است. در ابتدا، مجموعه داده‌های مصنوعی با میلیون‌ها مثال سطوح و پیکربندی‌های مختلف خطا را شبیه‌سازی کردند. این آموزش با داده های تجربی دنیای واقعی به خوبی تنظیم شد و AlphaQubit را قادر ساخت تا با ویژگی های نویز خاص Sycamore سازگار شود. پس از آزمایش، رمزگشا استاندارد جدیدی را برای دقت تعیین کرد و خطاها را تا 6 درصد در مقایسه با روش‌های شبکه تنسور(tensor network) و 30 درصد در مقایسه با تطبیق همبسته کاهش (correlated matching) داد.
این سیستم مقیاس‌پذیری چشمگیری نشان داد و در شبیه‌سازی‌هایی با حداکثر ۲۴۱ کیوبیت و در طی ۱۰۰,۰۰۰ مرحله تصحیح خطا عملکرد بالای خود را حفظ کرد. قابلیت ارزیابی سطوح اطمینان نیز از ویژگی‌های مهم آن است که می‌تواند به بهبود بیشتر عملکرد پردازنده کمک کند.
با این حال، چالش‌هایی باقی مانده است. سرعت AlphaQubit، با وجود دقت بالا، برای تصحیح آنی خطاها در پردازنده‌های ابررسانا که میلیون‌ها بررسی در ثانیه انجام می‌دهند، کافی نیست. همچنین، فرآیند آموزش باید داده‌محورتر شود تا با مقیاس‌های میلیون کیوبیتی آینده همخوانی داشته باشد.
این دستاورد نشان‌دهنده پتانسیل تحول‌آفرین ترکیب یادگیری ماشینی و فناوری‌های کوانتومی است. با رفع چالش بنیادی نویز، AlphaQubit راه را برای رایانه‌های کوانتومی کاربردی و مقیاس بزرگ هموار میکند که قادر به حل پیچیده‌ترین مسائل جهان خواهند بود.
منبع
https://www.nature.com/articles/s41586-024-08148-8
https://blog.google/technology/google-deepmind/alphaqubit-quantum-error-correction/?linkId=11784661
