Google Quantum AI продемонстрував апаратне рішення однієї з найскладніших проблем квантових обчислень із ресурсами. У статті, опублікованій 15 жовтня в журналі Science, команда, що стоїть за процесором Willow від Google, повідомляє, що «магічне культивування станів» — техніка, вперше запропонована в теорії два роки тому — працює на практиці, зменшуючи помилки приблизно в 40 разів порівняно з некультивованими станами та створюючи T-стани з рекордною точністю логіки 99,99%.
Результат, оприлюднений в офіційному блозі Google дослідницею Еммою Розенфельд та інженером з квантового програмного забезпечення Крейгом Гідні, є першою експериментальною демонстрацією того, що магічні стани можна ефективно створювати на реальному квантовому обладнанні. Він усуває вузьке місце, яке інженери усунули з того часу, як дослідники вперше виявили його більше двох десятиліть тому. Щоб дізнатися більше про прориви на передовій комп’ютерної техніки, перегляньте наше [дослідження ШІ] (https://aibuzzwire.news).
Чому магічні стани важливі
Універсальні квантові обчислення — ті, які можуть запускати справді корисні програми — вимагають певного набору квантових операцій, які виходять за рамки того, що можуть виконувати кубіти з виправленими помилками. Стандартним обхідним шляхом є підготовка спеціальних станів ресурсів, відомих як магічні стани, які дозволяють ці операції. Проблема полягає у вартості: деякі оцінки свідчать про те, що до 95% усієї потужності квантового комп’ютера може знадобитися для їх виготовлення, залишаючи мало місця для фактичних обчислень. Магічні стани також є витратним матеріалом — один раз використані вони не можуть бути використані повторно — що робить їх дефіцитним і дорогим джерелом для будь-якої великомасштабної машини.
У 2024 році дослідники Google Quantum AI Крейг Гідні, Ноа Шатті та Коді Джонс розробили підхід до вирощування в теоретичній статті. Ідея працює як фільтр: шумовий стан вводиться в невелику область квантового чіпа, потім серія добре скоординованих вимірювань перевіряє наявність помилок і відкидає невдалі спроби. Те, що виживає в процесі, — це винятково чистий квантовий стан із низьким рівнем помилок, який можна одночасно адаптувати до більшого корисного кодування. Якби він працював на апаратному забезпеченні, це суттєво зменшило б розмір квантового комп’ютера, необхідного для практичних завдань.
Від теорії до обладнання
Щоб протокол працював на Willow, знадобилася низка інженерних інновацій. Один епізод ілюструє труднощі. Коли вчений-дослідник Емма Розенфельд вперше випробувала протокол культивування, виявилося, що її дані суперечать законам фізики. Після місяців моделювання, обговорень і перевірок узгодженості команда виявила, що аномалія пов’язана з неправильним припущенням у їх стандартній техніці вимірювання: дрейф електричного обладнання та коливання температури в лабораторії заважали достовірності еталонного тесту.
Виправлення вимагало змін як з теоретичної, так і з інженерної сторони. Команда додала до системи додатковий контроль, щоб придушити шум, і винайшла нову методику порівняльного аналізу, яка використовує саме вирощування як інструмент вимірювання — рішення, за словами компанії, запровадило новий сучасний рівень у квантовій метрології. У Willow удосконалений протокол досяг приблизно 40-кратного зменшення помилок порівняно з необробленими станами, при цьому T-стани досягли 99,99% логічної точності.
Сумісність із планом виправлення помилок Google
Команда також зробила перші кроки, щоб продемонструвати, що техніка відповідає ширшій відмовостійкій архітектурі Google. Квантова корекція помилок доступна в різних варіантах: «кольорові коди», новий тип, ідеальний для вирощування, і «поверхневі коди», більш усталений метод, який лежить в основі довгострокової дорожньої карти Google. Дослідники продемонстрували протокол прищеплення — спочатку розроблений у теоретичній статті 2024 року — який перемикається між двома, переносячи очищені стани з колірного коду відстані 3 на код поверхні 5 відстані. Штати пережили передачу, доказ того, що вирощування може співіснувати зі схемами виправлення помилок, які Google планує масштабувати.
Те, що залишається нерозгаданим
Google уважно ставиться до застережень. Вирощування магічного стану було продемонстровано в невеликих масштабах; Показ його в масштабі, необхідному для практичних квантових обчислень, залишається майбутньою роботою, і значні технічні проблеми стоять між поточним результатом і комерційно корисною машиною. Компанія формулює результат як перетворення «ключової теоретичної ідеї в експериментально продемонстровану реальність» на шляху до своєї заявленої мети — корисного квантового комп’ютера з виправленням помилок.
Практична значущість – про бюджети ресурсів. Якщо високоякісні магічні стани можна культивувати дешево, а не виробляти за допомогою домінуючих накладних витрат, вимоги до апаратного забезпечення для запуску алгоритмів, таких як процедура факторизації Шора або складне моделювання квантової хімії, відповідно зменшаться. 40-кратне зменшення помилок на етапі магічного стану поєднується з кожною такою операцією, яку виконує машина.
Більша картина
Результат досягається на тлі загострення конкуренції в квантовому апаратному забезпеченні, коли IBM, Quantinuum та академічні групи шукають машини з виправленням помилок, а розробка штучного інтелекту в ширшій технологічній галузі привертає більшість заголовків і капіталу. Квантовий прогрес є повільнішим і менш передбачуваним, але такі віхи, як ця — теоретичне вузьке місце, яке існувало два десятиліття, усунуто на виробничому обладнанні, опубліковані з відтворюваними цифрами точності в рецензованому журналі — є тим складним кроком, який тихо скидає часові рамки.
Для тих, хто спостерігає за штучним інтелектом, є також дотична доречність: більшість інструментів алгоритмів і систем керування в сучасних квантових лабораторіях все більше покладаються на машинне навчання для калібрування та декодування помилок, невеликого, але зростаючого прикладу того, як ШІ прискорює суміжні наукові галузі.
---
Будьте попереду ШІОтримуйте останні новини штучного інтелекту, аналіз і прориви — усе в одному місці.
Читати більше новин AI →
