Výzkumníci Googlu objevili novou techniku, která by mohla konečně učinit kvantové počítání praktickým v reálném životě, využívající umělou inteligenci k řešení jedné z nejtrvalejších výzev vědy: stabilnější stavy.


V výzkumném článku publikovaném v Nature vědci Google Deepmind vysvětlují, že jejich nový AI systém, AlphaQubit, prokázal pozoruhodný úspěch při opravě trvalých chyb, které dlouho sužovaly kvantové počítače.


"Kvantové počítače mají potenciál revolucionalizovat objevování léčiv, návrh materiálů a základní fyziku—pokud je dokážeme učinit spolehlivými," uvádí oznámení Googlu. Ale nic není dokonalé: kvantové systémy jsou mimořádně křehké. I ta nejmenší environmentální interference—od tepla, vibrací, elektromagnetických polí nebo dokonce kosmických paprsků—může narušit jejich jemné kvantové stavy, což vede k chybám, které činí výpočty nespolehlivými.


Březnový výzkumný článek zdůrazňuje výzvu: kvantové počítače potřebují míru chyb pouhou jednu na trilion operací (10^-12) pro praktické použití. Nicméně současný hardware má míry chyb mezi 10^-3 a 10^-2 na operaci, což činí korekci chyb zásadní.


"Určité problémy, které by trvalému počítači trvaly miliardy let, by kvantovému počítači trvaly jen hodiny," uvádí Google. "Nicméně tyto nové procesory jsou náchylnější k šumu než konvenční."


„Pokud chceme učinit kvantové počítače spolehlivějšími, zejména ve velkém měřítku, musíme přesně identifikovat a opravit tyto chyby.”


Nový AI systém Googlu, AlphaQubit, chce tento problém řešit. AI systém používá sofistikovanou architekturu neuronových sítí, která prokázala bezprecedentní přesnost při identifikaci a opravě kvantových chyb, ukazující o 6% méně chyb než předchozí nejlepší metody ve velkých experimentech a o 30% méně chyb než tradiční techniky.


Také udržoval vysokou přesnost napříč kvantovými systémy v rozsahu od 17 qubitů do 241 qubitů—což naznačuje, že přístup by mohl škálovat na větší systémy potřebné pro praktické kvantové počítání.


Pod kapotou

AlphaQubit používá dvoustupňový přístup k dosažení své vysoké přesnosti.


Systém nejprve trénuje na simulovaných datech kvantového šumu, učí se obecné vzorce kvantových chyb a poté se přizpůsobuje skutečnému kvantovému hardwaru s využitím omezeného množství experimentálních dat.


Tento přístup umožňuje AlphaQubit zvládat složité efekty kvantového šumu v reálném světě, včetně zkřížené komunikace mezi qubity, úniků (když qubity opustí své výpočetní stavy) a jemných korelací mezi různými typy chyb.


Ale nezapomínejte se příliš nadchnout; brzy nebudete mít kvantový počítač ve své garáži.


Navzdory své přesnosti čelí AlphaQubit stále významným překážkám před praktickou implementací. "Každá kontrola konzistence v rychlém supravodivém kvantovém procesoru je měřena milionkrát každou sekundu," poznamenávají výzkumníci. "I když je AlphaQubit skvělý v přesné identifikaci chyb, stále je příliš pomalý na opravu chyb v supravodivém procesoru v reálném čase."


"Trénink na větších kódových vzdálenostech je náročnější, protože příklady jsou složitější a efektivita vzorkování se zdá být nižší na větších vzdálenostech," řekl mluvčí Deepmind Decryptu, "Je to důležité, protože míra chyb se exponenciálně zvyšuje s kódovou vzdáleností, takže očekáváme, že budeme muset řešit větší vzdálenosti, abychom dosáhli ultra-nízké míry chyb potřebné pro chybám odolné výpočty na velkých, hlubokých kvantových obvodech.


Výzkumníci se zaměřují na optimalizaci rychlosti, škálovatelnost a integraci jako klíčové oblasti pro budoucí vývoj.


AI a kvantové počítání tvoří synergický vztah, který zvyšuje potenciál toho druhého. "Očekáváme, že AI/ML a kvantové počítání zůstanou komplementárními přístupy k výpočtům. AI může být aplikována v jiných oblastech na podporu vývoje chybám odolných kvantových počítačů, jako je kalibrace a kompilace nebo návrh algoritmů," řekl mluvčí Decrypt, "zároveň lidé zkoumají aplikace kvantového ML pro kvantová data a spekulativněji pro kvantové ML algoritmy na klasických datech.


Tato konvergence může představovat zásadní zlom v počítačových vědách. Jak se kvantové počítače stávají spolehlivějšími díky AI-podpořené korekci chyb, mohou na oplátku pomoci vyvinout sofistikovanější AI systémy, čímž vytvoří mocnou zpětnou vazbu technologického pokroku.


Věk praktického kvantového počítání, dlouho slibovaný, ale nikdy nedodaný, by mohl být konečně blíže—i když ne dost blízko, abychom se začali obávat kyborg apokalypsy.


Upraveno Sebastianem Sinclair