Google ၏ Willow Chip သည် Magic State စိုက်ပျိုးခြင်းဖြင့် အနှစ် 20 ကြာ Quantum Bottleneck ကို ရှင်းလင်းပေးသည်

Google Quantum AI သည် ကွမ်တမ်ကွန်ပြူတာ၏ ခေါင်းမာဆုံး အရင်းအမြစ်ပြဿနာများထဲမှ တစ်ခုကို ဟာ့ဒ်ဝဲတွင် သရုပ်ပြခဲ့သည်။ အောက်တိုဘာလ 15 ရက်နေ့ထုတ် Science ဂျာနယ်တွင် ထုတ်ဝေသည့် စာတမ်းတစ်ခုတွင် Google ၏ Willow ပရိုဆက်ဆာနောက်ကွယ်မှ အဖွဲ့သည် လွန်ခဲ့သည့် နှစ်နှစ်က သီအိုရီတွင် ပထမဆုံးအဆိုပြုထားသော နည်းပညာတစ်ခုဖြစ်သည့် "မှော်ပြည်နယ်စိုက်ပျိုးခြင်း" ကို အစီရင်ခံတင်ပြသည်မှာ လက်တွေ့တွင် အမှားအယွင်းများကို အဆ 40 လျှော့ချကာ စံချိန်တင်ယုတ္တိသစ္စာရှိမှု 99.99% ဖြင့် ထုတ်လုပ်ပါသည်။

သုတေသနပညာရှင် Emma Rosenfeld နှင့် ကွမ်တမ်ဆော့ဖ်ဝဲအင်ဂျင်နီယာ Craig Gidney တို့က Google ၏တရားဝင်ဘလော့ဂ်တွင် ကြေညာခဲ့ပြီး ရလဒ်သည် မှော်အတတ်များကို စစ်မှန်သော ကွမ်တမ် ဟာ့ဒ်ဝဲပေါ်တွင် ထိရောက်စွာထုတ်လုပ်နိုင်စေရန် ပထမဆုံးသော စမ်းသပ်သရုပ်ပြမှုဖြစ်သည်။ ၎င်းသည် လွန်ခဲ့သည့် ဆယ်စုနှစ် နှစ်ခုကျော်က သုတေသီများက ၎င်းကို သုတေသီများက စတင်တွေ့ရှိခဲ့ပြီးကတည်းက အင်ဂျင်နီယာများ ကွဲထွက်သွားသော ပိတ်ဆို့မှုကို ဖြေရှင်းပေးသည်။ ကွန်ပြူတာ၏ရှေ့တန်းမှအောင်မြင်မှုများအကြောင်းပိုမိုသိရှိလိုပါကကျွန်ုပ်တို့၏ AI သုတေသနလွှမ်းခြုံမှု ကိုကြည့်ပါ။

ဘာကြောင့် မျက်လှည့်စကားတိတ်အရေးလဲ။

Universal quantum computing — စစ်မှန်သောအသုံးဝင်သောပရိုဂရမ်များကိုလုပ်ဆောင်နိုင်သည့်အမျိုးအစား- သည် အမှားပြင်ဆင်ထားသော qubits ထက်ကျော်လွန်လုပ်ဆောင်နိုင်သည့် သီးခြားကွမ်တမ်လုပ်ဆောင်မှုများလိုအပ်သည်။ စံပြဖြေရှင်းချက်မှာ ထိုလုပ်ငန်းဆောင်တာများကို လုပ်ဆောင်နိုင်စေမည့် မှော်ပြည်နယ်များဟု လူသိများသော အထူးအရင်းအမြစ်ပြည်နယ်များကို ပြင်ဆင်ရန်ဖြစ်သည်။ ပြဿနာမှာ ကုန်ကျစရိတ်ဖြစ်ပါသည်- အချို့သော ခန့်မှန်းချက်များအရ ကွမ်တမ်ကွန်ပြူတာတစ်လုံး၏ စွမ်းရည်တစ်ခုလုံး၏ 95% သည် ၎င်းတို့ကို ထုတ်လုပ်ရန်အတွက် ရည်စူးထားရန် လိုအပ်ပြီး အမှန်တကယ် တွက်ချက်ရန်အတွက် နေရာအနည်းငယ်သာ ကျန်ရှိတော့သည် ။ မှော်အတတ်များသည်လည်း စားသုံးနိုင်သည် - တစ်ခါသုံးလျှင် ပြန်သုံး၍မရပါ - အကြီးစားစက်များအတွက် ရှားပါးပြီး စျေးကြီးသော သွင်းအားစုဖြစ်လာစေသည်။

2024 ခုနှစ်တွင် Google Quantum AI သုတေသီ Craig Gidney၊ Noah Shutty နှင့် Cody Jones တို့သည် သီအိုရီစာတမ်းတစ်ခုတွင် စိုက်ပျိုးမှုချဉ်းကပ်ပုံကို တီထွင်ခဲ့သည်။ အိုင်ဒီယာသည် စစ်ထုတ်မှုတစ်ခုကဲ့သို့ အလုပ်လုပ်သည်- ဆူညံသောအခြေအနေသည် ကွမ်တမ်ချစ်ပ်၏ သေးငယ်သောဒေသတစ်ခုသို့ ထိုးသွင်းပြီးနောက် အမှားအယွင်းများကို စစ်ဆေးပြီး ချို့ယွင်းချက်ရှိသော ကြိုးပမ်းမှုများကို ဖယ်ရှားပစ်ပါသည်။ လုပ်ငန်းစဉ်ကို ရှင်သန်စေသောအရာမှာ ပိုမိုကြီးမား၍ အသုံးဝင်သော ကုဒ်ပြောင်းခြင်းသို့ တစ်ပြိုင်နက် လိုက်လျောညီထွေဖြစ်စေနိုင်သော ထူးခြားသန့်စင်သော၊ အမှားအယွင်းနည်းသော ကွမ်တမ်ပြည်နယ်တစ်ခုဖြစ်သည်။ ၎င်းသည် ဟာ့ဒ်ဝဲတွင် အလုပ်လုပ်ပါက၊ လက်တွေ့လုပ်ဆောင်မှုများအတွက် လိုအပ်သော ကွမ်တမ်ကွန်ပြူတာ၏ အရွယ်အစားကို သိသိသာသာ ကျုံ့သွားမည်ဖြစ်သည်။

##သီအိုရီမှ Hardware သို့

Willow တွင် ပရိုတိုကောကို အလုပ်ဖြစ်စေရန် အင်ဂျင်နီယာဆိုင်ရာ တီထွင်ဆန်းသစ်မှုများ ဆက်တိုက်လုပ်ဆောင်ခဲ့သည်။ အပိုင်းတစ်ပိုင်းသည် အခက်အခဲများကို ဖော်ပြသည်။ သုတေသနသိပ္ပံပညာရှင် Emma Rosenfeld သည် စိုက်ပျိုးမှုပရိုတိုကောကို ပထမဆုံးစမ်းသပ်သောအခါတွင် သူမ၏အချက်အလက်များသည် ရူပဗေဒနိယာမများကို ဖီဆန်နေပုံပေါ်သည်။ လပေါင်းများစွာ စမ်းသပ်မှုများ၊ ဆွေးနွေးမှုများနှင့် လိုက်လျောညီထွေရှိမှု စစ်ဆေးမှုများပြီးနောက်၊ အဖွဲ့သည် ၎င်းတို့၏ တိုင်းတာခြင်းနည်းပညာတွင် မှားယွင်းသော ယူဆချက်ကို ခြေရာခံခဲ့သည်- လျှပ်စစ်ပစ္စည်းများ ပျံ့လွင့်ခြင်းနှင့် ဓာတ်ခွဲခန်းအတွင်းရှိ အပူချိန်ပြောင်းလဲမှုတို့သည် စံသတ်မှတ်ချက်၏ တရားဝင်မှုကို အနှောင့်အယှက်ဖြစ်စေပါသည်။

ပြင်ဆင်မှုသည် သီအိုရီနှင့် အင်ဂျင်နီယာဘက်နှစ်ဘက်စလုံးတွင် အပြောင်းအလဲများ လိုအပ်သည်။ အဖွဲ့သည် ဆူညံသံများကို ထိန်းညှိရန်အတွက် စနစ်တွင် အပိုထိန်းချုပ်မှုကို ထည့်သွင်းပြီး စိုက်ပျိုးမှုကိုယ်တိုင် တိုင်းတာခြင်းကိရိယာအဖြစ် အသုံးပြုသည့် စံနှုန်းစံနစ်အသစ်ကို တီထွင်ခဲ့သည် — ကုမ္ပဏီမှ ကွမ်တမ်မက်ထရိုဗေဒတွင် ခေတ်မီဆန်းသစ်သော ခေတ်မီသောဖြေရှင်းချက်အသစ်ကို တည်ထောင်ခဲ့သည်ဟု ကုမ္ပဏီမှဆိုသည်။ Willow တွင်၊ သန့်စင်ထားသော ပရိုတိုကောသည် မစိုက်ပျိုးရသေးသော ပြည်နယ်များနှင့် နှိုင်းယှဉ်ပါက အကြမ်းဖျင်း အမှားအယွင်း အဆ ၄၀ လျှော့ချနိုင်ကာ T-states များသည် 99.99% ယုတ္တိသစ္စာရှိမှုသို့ ရောက်ရှိသွားပါသည်။

Google ၏ အမှားပြင်ဆင်မှု လမ်းပြမြေပုံနှင့် လိုက်ဖက်ညီမှု

အဖွဲ့သည် Google ၏ ပိုမိုကျယ်ပြန့်သော အမှား-ခံနိုင်ရည်ရှိသော ဗိသုကာလက်ရာအတွင်း ကိုက်ညီသည့်နည်းပညာကို ပြသရန် ပထမဆုံးခြေလှမ်းကိုလည်း လုပ်ဆောင်ခဲ့သည်။ Quantum အမှားပြင်ဆင်ခြင်းသည် အရသာများဖြင့် ထွက်ပေါ်လာသည်- စိုက်ပျိုးခြင်းအတွက် စံပြအသစ်ဖြစ်သော "အရောင်ကုဒ်များ" နှင့် "surface codes" တို့သည် Google ၏ ရေရှည်လမ်းပြမြေပုံကို အခြေခံသည့် ပိုမိုခိုင်မာသောနည်းလမ်းဖြစ်သည်။ သုတေသီများသည် 2024 သီအိုရီစာတမ်းတွင် မူလတီထွင်ခဲ့သော စိုက်ခင်းဆိုင်ရာ ပရိုတိုကောကို သရုပ်ပြခဲ့ပြီး သန့်စင်သောပြည်နယ်များကို အကွာအဝေး-3 အရောင်ကုဒ်မှ အကွာအဝေး-၅ မျက်နှာပြင်ကုဒ်သို့ လွှဲပြောင်းပေးသည့် နှစ်ခုကြားသို့ ပြောင်းပေးသည်။ ပြည်နယ်များသည် အပြောင်းအရွှေ့မှ လွတ်မြောက်ခဲ့ပြီး၊ စိုက်ပျိုးခြင်းသည် Google မှ အတိုင်းအတာတစ်ခုအထိ အမှားပြင်ဆင်ခြင်းအစီအစဥ်များနှင့် အတူယှဉ်တွဲနေထိုင်နိုင်ကြောင်း အထောက်အထားများရှိသည်။

မဖြေရှင်းနိုင်သောအရာများ

Google သည် သတိပေးချက်များကို သတိထားပါ။ မှော်ပြည်နယ် စိုက်ပျိုးမှုအား အသေးစားတွင် သရုပ်ပြခဲ့သည်။ လက်တွေ့ကျသော ကွမ်တမ် ကွန်ပြူတာအတွက် လိုအပ်သော အတိုင်းအတာဖြင့် ပြသခြင်းသည် အနာဂတ်တွင် အလုပ်ဖြစ်ဆဲဖြစ်ပြီး လက်ရှိရလဒ်နှင့် စီးပွားရေးအရ အသုံးဝင်သော စက်ကြားတွင် သိသာထင်ရှားသော နည်းပညာဆိုင်ရာ စိန်ခေါ်မှုများ ရှိနေပါသည်။ ကုမ္ပဏီသည် အသုံးဝင်သော၊ အမှားပြင်ဆင်ထားသော ကွမ်တမ်ကွန်ပြူတာ၏ ပန်းတိုင်သို့ လမ်းကြောင်းပေါ်ရှိ "သော့သီအိုရီစိတ်ကူးကို လက်တွေ့စမ်းသပ်သရုပ်ပြသည့် လက်တွေ့အဖြစ်သို့ ပြောင်းလဲခြင်း" အဖြစ် ကုမ္ပဏီမှ ရလဒ်ကို ဘောင်ခတ်ထားသည်။

လက်တွေ့ကျသော အရေးပါမှုသည် အရင်းအမြစ်ဘတ်ဂျက်များအကြောင်းဖြစ်သည်။ အကယ်၍ အရည်အသွေးမြင့် မှော်အတတ်များကို စျေးပေါပေါဖြင့် စိုက်ပျိုးနိုင်လျှင် Shor's factoring routine သို့မဟုတ် ရှုပ်ထွေးသော quantum chemistry simulations ကဲ့သို့ လုပ်ဆောင်သည့် အယ်လဂိုရီသမ်များအတွက် ဟာ့ဒ်ဝဲလိုအပ်ချက်များသည် လျှော့ကျသွားသည်။ စက်တစ်ခုလုပ်ဆောင်မှုတိုင်းတွင် Magic-state အဆင့်ဒြပ်ပေါင်းများတွင် အကြိမ် 40 အမှားအယွင်းကို လျှော့ချခြင်း။

ပိုကြီးသောရုပ်ပုံ

IBM၊ Quantinuum နှင့် ပညာရပ်ဆိုင်ရာ အဖွဲ့များ အားလုံးသည် အမှားပြင်ဆင်ထားသော စက်များကို လိုက်ရှာနေကြသည့် ကွမ်တမ် ဟာ့ဒ်ဝဲ တွင် ပြိုင်ဆိုင်မှု ပြင်းထန်လာချိန်တွင် ရလဒ်သည် ထွက်ပေါ်လာသည် ။ Quantum တိုးတက်မှုသည် နှေးကွေးပြီး ကြိုတင်ခန့်မှန်းနိုင်မှုနည်းသော်လည်း၊ ဤကဲ့သို့သော မှတ်တိုင်များ— ပြန်လည်ထုတ်လုပ်နိုင်သော သစ္စာရှိမှုနံပါတ်များဖြင့် ထုတ်ဝေသော ထုတ်လုပ်မှုဟာ့ဒ်ဝဲတွင် ရှင်းလင်းထားသော သက်တမ်းနှစ်ဆယ်ကျော်ကြာ သီအိုရီဆိုင်ရာ ပိတ်ဆို့မှုများ — သည် အချိန်ဇယားများကို တိတ်တဆိတ် ပြန်လည်သတ်မှတ်သည့် ပေါင်းစပ်အဆင့်များဖြစ်သည်။

AI စောင့်ကြည့်သူများအတွက်၊ ဆက်စပ်မှုတစ်ခုလည်း ရှိသည်- ခေတ်မီကွမ်တမ်ဓာတ်ခွဲခန်းများရှိ အယ်လဂိုရီသမ်နှင့် ထိန်းချုပ်မှုစနစ်များ ကိရိယာအများစုသည် ချိန်ညှိခြင်းနှင့် အမှားအယွင်းကုဒ်ဝှက်ခြင်းအတွက် စက်သင်ယူခြင်းအပေါ် ပိုမိုမှီခိုလာကာ ကပ်လျက်နေသော သိပ္ပံနယ်ပယ်များကို အရှိန်မြှင့်ပေးနေသည့် AI ၏ သေးငယ်သော်လည်း ကြီးထွားလာသော ဥပမာတစ်ခုဖြစ်သည်။

---

AI ၏ရှေ့တွင်နေရန်

နောက်ဆုံးပေါ် AI သတင်းများ၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အောင်မြင်မှုများ—အားလုံးကို တစ်နေရာတည်းတွင် ရယူပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →