Google Quantum AI ได้สาธิตวิธีแก้ไขปัญหาด้านทรัพยากรด้านทรัพยากรที่ดื้อรั้นที่สุดปัญหาหนึ่งของการประมวลผลควอนตัมในด้านฮาร์ดแวร์ ในบทความที่ตีพิมพ์เมื่อวันที่ 15 ตุลาคมในวารสาร Science ทีมงานเบื้องหลังโปรเซสเซอร์ Willow ของ Google รายงานว่า "การฝึกฝนสถานะเวทย์มนตร์" ซึ่งเป็นเทคนิคที่เสนอครั้งแรกในทางทฤษฎีเมื่อสองปีที่แล้ว ใช้ได้ผลในทางปฏิบัติ ลดข้อผิดพลาดได้ประมาณ 40 เท่าเมื่อเทียบกับรัฐที่ไม่ได้รับการเพาะปลูก และสร้าง T-state ที่มีความเที่ยงตรงเชิงตรรกะเป็นประวัติการณ์ที่ 99.99%

ผลลัพธ์ที่ประกาศในบล็อกอย่างเป็นทางการของ Google โดยนักวิทยาศาสตร์การวิจัย Emma Rosenfeld และวิศวกรซอฟต์แวร์ควอนตัม Craig Gidney ถือเป็นการทดลองสาธิตครั้งแรกที่สามารถสร้างสถานะเวทย์มนตร์ได้อย่างมีประสิทธิภาพบนฮาร์ดแวร์ควอนตัมจริง โดยจะกล่าวถึงปัญหาคอขวดที่วิศวกรได้พยายามแก้ไขตั้งแต่นักวิจัยค้นพบสิ่งนี้เป็นครั้งแรกเมื่อกว่าสองทศวรรษที่แล้ว หากต้องการข้อมูลเพิ่มเติมเกี่ยวกับความก้าวหน้าในขอบเขตของการประมวลผล โปรดดู การรายงานข่าวการวิจัย AI ของเรา

เหตุใดรัฐเวทมนตร์จึงมีความสำคัญ

การประมวลผลควอนตัมสากล ซึ่งเป็นประเภทที่สามารถรันโปรแกรมที่เป็นประโยชน์ได้อย่างแท้จริง ต้องใช้ชุดการดำเนินการควอนตัมเฉพาะเจาะจงที่นอกเหนือไปจากคิวบิตที่แก้ไขข้อผิดพลาดที่สามารถทำงานได้ตามปกติ วิธีแก้ปัญหามาตรฐานคือการเตรียมสถานะทรัพยากรพิเศษที่เรียกว่าสถานะเวทย์มนตร์ที่เปิดใช้งานการดำเนินการเหล่านั้น ปัญหาคือต้นทุน: การประมาณการบางส่วนแนะนำว่าอาจต้องใช้กำลังการผลิตทั้งหมดของควอนตัมคอมพิวเตอร์มากถึง 95% เพื่อการผลิต ซึ่งทำให้เหลือพื้นที่น้อยสำหรับการคำนวณจริง สถานะเวทย์มนตร์ยังสามารถบริโภคได้ — เมื่อใช้แล้วจะไม่สามารถนำกลับมาใช้ใหม่ได้ — ซึ่งทำให้สถานะดังกล่าวเป็นอินพุตที่หายากและมีราคาแพงสำหรับเครื่องจักรขนาดใหญ่ใดๆ

ในปี 2024 Craig Gidney นักวิจัย AI ของ Google Quantum AI, Noah Shutty และ Cody Jones ได้พัฒนาแนวทางการเพาะปลูกในรายงานเชิงทฤษฎี แนวคิดนี้ทำงานเหมือนกับตัวกรอง โดยสภาวะที่มีเสียงดังจะถูกฉีดเข้าไปในพื้นที่เล็กๆ ของชิปควอนตัม จากนั้นชุดการวัดที่มีการประสานงานกันในระดับสูงจะตรวจสอบข้อผิดพลาดและละทิ้งความพยายามที่มีข้อบกพร่อง สิ่งที่รอดพ้นจากกระบวนการนี้คือสถานะควอนตัมที่บริสุทธิ์และมีข้อผิดพลาดต่ำเป็นพิเศษ ซึ่งสามารถปรับให้เป็นการเข้ารหัสที่ใหญ่กว่าและมีประโยชน์ได้พร้อมกัน หากใช้งานได้กับฮาร์ดแวร์ มันจะลดขนาดของคอมพิวเตอร์ควอนตัมที่จำเป็นสำหรับการปฏิบัติงานจริงลงอย่างมาก

จากทฤษฎีสู่ฮาร์ดแวร์

การทำให้โปรโตคอลใช้งานได้กับวิลโลว์ต้องใช้นวัตกรรมทางวิศวกรรมหลายชุด ตอนหนึ่งแสดงให้เห็นถึงความยากลำบาก เมื่อนักวิทยาศาสตร์การวิจัย เอ็มมา โรเซนเฟลด์ ทดสอบวิธีการเพาะปลูกเป็นครั้งแรก ข้อมูลของเธอดูเหมือนจะท้าทายกฎแห่งฟิสิกส์ หลังจากการจำลอง การอภิปราย และการตรวจสอบความสอดคล้องเป็นเวลาหลายเดือน ทีมงานได้ติดตามความผิดปกติจนถึงข้อสันนิษฐานที่ไม่ถูกต้องในเทคนิคการวัดที่ใช้จริง: การเคลื่อนตัวของอุปกรณ์ไฟฟ้าและความแปรผันของอุณหภูมิในห้องปฏิบัติการรบกวนความถูกต้องของเกณฑ์มาตรฐาน

การแก้ไขจำเป็นต้องเปลี่ยนแปลงทั้งด้านทฤษฎีและวิศวกรรม ทีมงานได้เพิ่มการควบคุมพิเศษให้กับระบบเพื่อลดเสียงรบกวน และคิดค้นเทคนิคการเปรียบเทียบมาตรฐานใหม่ที่ใช้การฝึกฝนเป็นเครื่องมือในการวัด ซึ่งเป็นโซลูชันที่บริษัทกล่าวว่าได้สร้างสิ่งล้ำสมัยใหม่ในมาตรวิทยาควอนตัม บน Willow โปรโตคอลที่ได้รับการปรับปรุงสามารถลดข้อผิดพลาดได้ประมาณ 40 เท่าเมื่อเทียบกับสถานะที่ไม่ได้รับการเพาะปลูก โดยที่สถานะ T มีความเที่ยงตรงเชิงตรรกะถึง 99.99%

ความเข้ากันได้กับแผนงานการแก้ไขข้อผิดพลาดของ Google

ทีมงานยังได้ดำเนินการขั้นแรกในการแสดงเทคนิคที่เหมาะกับสถาปัตยกรรมที่ทนทานต่อข้อผิดพลาดในวงกว้างของ Google การแก้ไขข้อผิดพลาดควอนตัมมีอยู่ในรูปแบบต่างๆ ได้แก่ "รหัสสี" ซึ่งเป็นประเภทใหม่ที่เหมาะสำหรับการพัฒนา และ "รหัสพื้นผิว" ซึ่งเป็นวิธีการที่เป็นที่ยอมรับมากขึ้นซึ่งสนับสนุนแผนงานระยะยาวของ Google นักวิจัยได้สาธิตโปรโตคอลการรับสินบนซึ่งเดิมพัฒนาขึ้นในรายงานทฤษฎีปี 2024 ซึ่งสลับระหว่างทั้งสอง โดยถ่ายโอนสถานะที่บริสุทธิ์จากรหัสสีระยะทาง 3 ไปเป็นรหัสพื้นผิวระยะทาง 5 รัฐต่างๆ รอดพ้นจากการถ่ายโอน ซึ่งเป็นหลักฐานว่าการเพาะปลูกสามารถอยู่ร่วมกับแผนการแก้ไขข้อผิดพลาดที่ Google วางแผนจะขยายขนาดได้

สิ่งที่ยังคงไม่ได้รับการแก้ไข

Google ระมัดระวังเกี่ยวกับคำเตือนเหล่านี้ การฝึกฝนสถานะเวทย์มนตร์ได้รับการสาธิตในระดับเล็ก ๆ การแสดงในระดับที่จำเป็นสำหรับการคำนวณควอนตัมเชิงปฏิบัติยังคงเป็นงานในอนาคต และความท้าทายทางเทคนิคที่สำคัญอยู่ระหว่างผลลัพธ์ปัจจุบันกับเครื่องจักรที่มีประโยชน์ในเชิงพาณิชย์ บริษัทวางกรอบผลลัพธ์โดยเปลี่ยน "แนวคิดทางทฤษฎีที่สำคัญให้กลายเป็นความเป็นจริงที่แสดงให้เห็นจากการทดลอง" บนเส้นทางสู่เป้าหมายที่ระบุไว้ของคอมพิวเตอร์ควอนตัมที่มีประโยชน์และแก้ไขข้อผิดพลาด

ความสำคัญในทางปฏิบัติคือเกี่ยวกับงบประมาณทรัพยากร หากสามารถปลูกฝังสถานะเวทย์มนตร์คุณภาพสูงได้ในราคาถูกแทนที่จะผลิตผ่านค่าใช้จ่ายที่มีอำนาจเหนือกว่า ความต้องการฮาร์ดแวร์สำหรับการรันอัลกอริทึม เช่น ขั้นตอนการแยกตัวประกอบของ Shor หรือการจำลองเคมีควอนตัมที่ซับซ้อนก็จะลดลงตามไปด้วย การลดข้อผิดพลาดถึง 40 เท่าในขั้นตอนสถานะเวทย์มนตร์ในทุกการดำเนินการที่เครื่องจักรทำ

ภาพใหญ่กว่า

ผลลัพธ์เกิดขึ้นท่ามกลางการแข่งขันที่เข้มข้นขึ้นในฮาร์ดแวร์ควอนตัม โดย IBM, Quantinuum และกลุ่มนักวิชาการต่างแสวงหาเครื่องจักรที่แก้ไขข้อผิดพลาด และด้วยการสร้าง AI ของอุตสาหกรรมเทคโนโลยีที่กว้างขึ้น ทำให้เกิดหัวข้อข่าวและเงินทุนส่วนใหญ่ ความคืบหน้าของควอนตัมนั้นช้ากว่าและคาดเดาได้น้อยกว่า แต่เหตุการณ์สำคัญเช่นนี้ - ปัญหาคอขวดทางทฤษฎีที่มีมาสองทศวรรษแล้วบนฮาร์ดแวร์การผลิต ซึ่งตีพิมพ์ด้วยตัวเลขความเที่ยงตรงที่สามารถทำซ้ำได้ในวารสารที่ผ่านการตรวจสอบโดยผู้ทรงคุณวุฒิ - เป็นขั้นตอนแบบผสมที่รีเซ็ตไทม์ไลน์อย่างเงียบ ๆ

สำหรับผู้เฝ้าดู AI ยังมีความเกี่ยวข้องในวงสัมผัสด้วย กล่าวคือ เครื่องมืออัลกอริทึมและระบบควบคุมส่วนใหญ่ในห้องปฏิบัติการควอนตัมสมัยใหม่อาศัยการเรียนรู้ของเครื่องจักรมากขึ้นในการสอบเทียบและการถอดรหัสข้อผิดพลาด ซึ่งเป็นตัวอย่างเล็กๆ น้อยๆ แต่กำลังเพิ่มขึ้นเรื่อยๆ ของ AI ที่เร่งสาขาวิทยาศาสตร์ที่อยู่ติดกัน

---

ก้าวนำหน้า AI

รับข่าวสาร AI การวิเคราะห์ และความก้าวหน้าล่าสุด ทั้งหมดในที่เดียว

อ่านข่าว AI เพิ่มเติม →