Google Quantum AI продемонстрировал аппаратное решение одной из самых сложных проблем с ресурсами квантовых вычислений. В статье, опубликованной 15 октября в журнале Science, команда процессора Willow от Google сообщает, что «выращивание магического состояния» — метод, впервые предложенный в теории два года назад — работает на практике, уменьшая количество ошибок примерно в 40 раз по сравнению с необработанными состояниями и создавая Т-состояния с рекордной логической точностью 99,99%.

Результат, объявленный в официальном блоге Google ученым-исследователем Эммой Розенфельд и инженером квантового программного обеспечения Крейгом Гидни, знаменует собой первую экспериментальную демонстрацию того, что магические состояния могут эффективно создаваться на реальном квантовом оборудовании. Он устраняет узкое место, над которым инженеры работали с тех пор, как исследователи впервые обнаружили его более двух десятилетий назад. Дополнительную информацию о прорывах на переднем крае компьютерных технологий можно найти в нашем [освещении об исследованиях искусственного интеллекта] (https://aibuzzwire.news).

Почему магические состояния имеют значение

Универсальные квантовые вычисления — те, которые могут запускать действительно полезные программы — требуют определенного набора квантовых операций, которые выходят за рамки того, что кубиты с исправлением ошибок могут выполнять изначально. Стандартным обходным решением является подготовка специальных состояний ресурсов, известных как магические состояния, которые позволяют выполнять эти операции. Проблема в стоимости: по некоторым оценкам, на их производство может потребоваться до 95% всей мощности квантового компьютера, оставляя мало места для реальных вычислений. Магические состояния также являются расходными материалами — однажды использованные, их нельзя использовать повторно, — что делает их дефицитным и дорогим ресурсом для любой крупномасштабной машины.

В 2024 году исследователи Google Quantum AI Крейг Гидни, Ноа Шатти и Коди Джонс разработали подход к культивированию в теоретической статье. Идея работает как фильтр: зашумленное состояние вводится в небольшую область квантового чипа, затем серия тщательно скоординированных измерений проверяет наличие ошибок и отбрасывает ошибочные попытки. В этом процессе сохраняется исключительно чистое квантовое состояние с низким уровнем ошибок, которое одновременно можно адаптировать в более крупное и полезное кодирование. Если бы он работал на аппаратном уровне, он бы существенно уменьшил размер квантового компьютера, необходимого для практических задач.

От теории к аппаратному обеспечению

Чтобы протокол заработал на Уиллоу, потребовался ряд инженерных инноваций. Один эпизод иллюстрирует эту трудность. Когда ученый-исследователь Эмма Розенфельд впервые протестировала протокол культивирования, ее данные, казалось, противоречили законам физики. После нескольких месяцев моделирования, обсуждений и проверок согласованности команда обнаружила аномалию в неправильном предположении в своей методике измерений: дрейф электрооборудования и колебания температуры в лаборатории мешали достоверности эталонного теста.

Исправление потребовало изменений как с теоретической, так и с инженерной стороны. Команда добавила в систему дополнительный контроль для подавления шума и изобрела новую методику сравнительного анализа, которая использует само культивирование в качестве инструмента измерения — решение, которое, по словам компании, установило новый уровень развития квантовой метрологии. На Уиллоу усовершенствованный протокол позволил примерно в 40 раз снизить количество ошибок по сравнению с некультивируемыми состояниями, при этом Т-состояния достигли логической точности 99,99%.

Совместимость с планом исправления ошибок Google

Команда также предприняла первые шаги, чтобы продемонстрировать, что эта технология вписывается в более широкую архитектуру отказоустойчивости Google. Квантовая коррекция ошибок бывает разной: «цветовые коды», новый тип, идеально подходящий для выращивания, и «поверхностные коды», более устоявшийся метод, лежащий в основе долгосрочной дорожной карты Google. Исследователи продемонстрировали протокол прививки, первоначально разработанный в теоретической статье 2024 года, который переключается между ними, передавая очищенные состояния с цветового кода на расстоянии 3 на поверхностный код на расстоянии 5. Штаты пережили передачу, что свидетельствует о том, что культивирование может сосуществовать со схемами исправления ошибок, которые Google планирует масштабировать.

Что остается нерешенным

Google осторожно относится к предостережениям. Выращивание магического состояния было продемонстрировано в небольших масштабах; демонстрация этого в масштабе, необходимом для практических квантовых вычислений, остается задачей будущего, и между текущим результатом и коммерчески полезной машиной стоят серьезные технические проблемы. Компания описывает результат как превращение «ключевой теоретической идеи в экспериментально продемонстрированную реальность» на пути к своей заявленной цели — созданию полезного квантового компьютера с исправлением ошибок.

Практическая значимость связана с бюджетами ресурсов. Если высококачественные магические состояния можно будет выращивать дешево, а не производить с помощью доминирующих накладных расходов, требования к аппаратному обеспечению для выполнения таких алгоритмов, как процедура факторинга Шора или сложное квантово-химическое моделирование, соответственно уменьшатся. 40-кратное сокращение ошибок на этапе магического состояния суммируется с каждой такой операцией, выполняемой машиной.

Общая картина

Результат достигается на фоне усиливающейся конкуренции в области квантового оборудования, когда IBM, Quantinuum и академические группы занимаются разработкой машин с исправлением ошибок, а также на фоне развития искусственного интеллекта в более широкой технологической отрасли, привлекающего большую часть заголовков и капитала. Квантовый прогресс медленнее и менее предсказуем, но такие вехи, как эта — теоретическое узкое место двухдесятилетней давности, устраненное в производственном оборудовании и опубликованное с воспроизводимыми показателями точности в рецензируемом журнале, — являются своего рода сложным шагом, который незаметно сбрасывает сроки.

Для наблюдателей за ИИ это также имеет косвенное значение: большая часть инструментов алгоритмов и систем управления в современных квантовых лабораториях все больше опирается на машинное обучение для калибровки и декодирования ошибок, что является небольшим, но растущим примером того, как ИИ ускоряет смежные научные области.

---

Будьте впереди ИИ

Получайте последние новости, анализ и открытия в области искусственного интеллекта — все в одном месте.

Подробнее новости AI →