AlphaQubit یکی از بزرگ‌ترین چالش‌های رایانش کوانتومی را برطرف می‌کند
رایانه‌های کوانتومی این پتانسیل را دارند که حوزه‌هایی مانند کشف دارو، طراحی مواد و فیزیک بنیادی را متحول کنند — البته در صورتی که بتوان آن‌ها را به‌صورت قابل‌اعتماد راه‌اندازی کرد.
برخی مسائل وجود دارند که حل آن‌ها با رایانه‌های کلاسیک میلیاردها سال زمان می‌برد، در حالی که یک رایانهٔ کوانتومی می‌تواند همان مسائل را در عرض چند ساعت حل کند. با این حال، این پردازنده‌های جدید نسبت به پردازنده‌های کلاسیک بسیار حساس‌تر به نویز هستند. اگر هدف ساخت رایانه‌های کوانتومی قابل‌اعتماد در مقیاس بزرگ باشد، باید بتوان خطاهای آن‌ها را با دقت شناسایی و اصلاح کرد.
در مقاله‌ای که امروز در نشریهٔ Nature منتشر شده، شرکت Google DeepMind از AlphaQubit رونمایی کرده است؛ یک رمزگشای مبتنی بر هوش مصنوعی که با دقتی در سطح پیشرفته، خطاهای رایانش کوانتومی را شناسایی می‌کند. این پروژهٔ مشترک، تخصص Google DeepMind در زمینهٔ یادگیری ماشین را با دانش تیم Quantum AI گوگل در زمینهٔ اصلاح خطا ترکیب کرده تا مسیر ساخت رایانه‌های کوانتومی قابل‌اعتماد را هموارتر سازد.
شناسایی دقیق خطاها، گامی کلیدی برای توانمندسازی رایانه‌های کوانتومی در اجرای محاسبات طولانی و پیچیده در مقیاس بزرگ است؛ گامی که می‌تواند افق‌های تازه‌ای برای پیشرفتهای علمی و کشف‌های نوین بگشاید.
اصلاح خطاهای رایانش کوانتومی
رایانه‌های کوانتومی با بهره‌گیری از ویژگی‌های منحصربه‌فرد ماده در مقیاس‌های بسیار کوچک، مانند برهم‌نهی (superposition) و درهم‌تنیدگی (entanglement)، قادرند برخی مسائل پیچیده را با تعداد مراحل بسیار کمتری نسبت به رایانه‌های کلاسیک حل کنند. این فناوری بر پایه‌ی «کیوبیت» یا بیت کوانتومی بنا شده است؛ واحدی که می‌تواند با استفاده از تداخل کوانتومی، میان مجموعه‌های عظیمی از حالت‌های ممکن جست‌وجو کرده و به پاسخ برسد.
با این حال، حالت طبیعی کوانتومی یک کیوبیت بسیار شکننده است و می‌تواند تحت تأثیر عوامل مختلفی دچار اختلال شود: نقص‌های میکروسکوپی در سخت‌افزار، گرما، لرزش، تداخل الکترومغناطیسی و حتی پرتوهای کیهانی (که همه‌جا وجود دارند).
اصلاح خطای کوانتومی راهکاری برای مقابله با این چالش فراهم می‌کند؛ به این صورت که با استفاده از افزونگی، چندین کیوبیت در قالب یک کیوبیت منطقی گروه‌بندی می‌شوند و بررسی‌های منظم سازگاری بر روی آن انجام می‌گیرد. رمزگشا (decoder) با بهره‌گیری از این بررسی‌های سازگاری، خطاهای موجود در کیوبیت منطقی را شناسایی می‌کند تا بتوان آن‌ها را اصلاح کرد و اطلاعات کوانتومی حفظ شود.
تصویر 1) در اینجا نشان داده می‌شود که چگونه نه کیوبیت فیزیکی (دایره‌های خاکستری کوچک) در یک شبکهٔ کیوبیتی با طول ضلع ۳ (فاصلهٔ کد) یک کیوبیت منطقی را تشکیل می‌دهند. در هر گام زمانی، ۸ کیوبیت دیگر بررسی‌های سازگاری را انجام می‌دهند (نواحی مربعی و نیم‌دایره‌ای که در صورت بروز خطا به رنگ آبی و ارغوانی نمایش داده می‌شوند و در غیر این صورت خاکستری هستند). این بررسی‌ها به رمزگشای شبکه عصبی (AlphaQubit) اطلاعات می‌دهند. در پایان آزمایش، AlphaQubit تعیین می‌کند که چه خطاهایی رخ داده‌اند.
ایجاد یک رقیب مبتنی بر شبکه عصبی برای رمزگشایی
AlphaQubit یک رمزگشای مبتنی بر شبکه عصبی است که از معماری ترنسفورمرها استفاده می‌کند؛ معماری یادگیری عمیقی که در گوگل توسعه یافته و پایه‌ی بسیاری از مدل‌های زبان بزرگ امروزی است. این سیستم با استفاده از بررسی‌های سازگاری به عنوان ورودی، وظیفه دارد به درستی پیش‌بینی کند که آیا کیوبیت منطقی — زمانی که در پایان آزمایش اندازه‌گیری می‌شود — نسبت به حالت اولیه خود تغییر وضعیت داده است یا خیر.
آن‌ها کار خود را با آموزش مدل برای رمزگشایی داده‌های حاصل از ۴۹ کیوبیت درون یک پردازنده کوانتومی Sycamore، که واحد محاسباتی مرکزی رایانه کوانتومی است، آغاز کردند. برای آموزش AlphaQubit در حل مسئله کلی رمزگشایی، از یک شبیه‌ساز کوانتومی استفاده کردند تا صدها میلیون نمونه در شرایط و سطوح خطای مختلف تولید کنند. سپس AlphaQubit را برای یک وظیفه رمزگشایی خاص، با استفاده از هزاران نمونه تجربی از یک پردازنده خاص Sycamore بهینه‌سازی کردند.
وقتی AlphaQubit روی داده‌های جدید Sycamore آزمایش شد، استاندارد جدیدی در دقت نسبت به رمزگشاهای پیشرو قبلی به‌وجود آورد. در بزرگ‌ترین آزمایش‌های Sycamore، AlphaQubit نسبت به روش‌های شبکه تنسور، که دقت بالایی دارند اما بسیار کند هستند، ۶٪ خطاهای کمتری داشت. همچنین AlphaQubit در مقایسه با رمزگشای «تطابق همبسته» (correlated matching)، که دقت بالایی داشته و سرعت کافی برای مقیاس‌پذیری دارد، ۳۰٪ خطاهای کمتری انجام داد.
تصویر 2) دقت‌های رمزگشایی برای آزمایش‌های کوچک و بزرگ Sycamore (فاصله ۳ = ۱۷ کیوبیت فیزیکی، و فاصله ۵ = ۴۹ کیوبیت فیزیکی). AlphaQubit دقت بیشتری نسبت به روش شبکه تنسور (TN، روشی که انتظار نمی‌رود در آزمایش‌های بزرگ مقیاس‌پذیر باشد) و تطابق همبسته (رمزگشای دقیقی که سرعت کافی برای مقیاس‌پذیری دارد) دارد.
مقیاس‌پذیری AlphaQubit برای سیستم‌های آینده
انتظار می‌رود رایانه‌های کوانتومی فراتر از فناوری‌های موجود امروز پیشرفت کنند. برای بررسی اینکه AlphaQubit چگونه می‌تواند با دستگاه‌های بزرگ‌تر و سطوح خطای پایین‌تر سازگار شود، آن را با استفاده از داده‌های سیستم‌های کوانتومی شبیه‌سازی‌شده تا ۲۴۱ کیوبیت آموزش دادند، چرا که این تعداد فراتر از ظرفیت‌های موجود در پلتفرم Sycamore بود.
باز هم AlphaQubit عملکرد بهتری نسبت به رمزگشاهای الگوریتمی پیشرو نشان داد، که این موضوع نشان می‌دهد در آینده نیز روی دستگاه‌های کوانتومی با اندازه متوسط به خوبی عمل خواهد کرد.
تصویر 3) دقت‌های رمزگشایی برای آزمایش‌های مختلف مقیاس‌پذیری و شبیه‌سازی‌شده، از فاصله ۳ (۱۷ کیوبیت) تا فاصله ۱۱ (۲۴۱ کیوبیت). رمزگشای شبکه تنسور در این نمودار نمایش داده نشده است، زیرا در فواصل بزرگ‌تر اجرای آن بسیار کند است. دقت دو رمزگشای دیگر با افزایش فاصله (یعنی با استفاده از تعداد بیشتری کیوبیت فیزیکی) افزایش می‌یابد. در هر فاصله، AlphaQubit دقت بیشتری نسبت به رمزگشای تطابق همبسته دارد.
سیستم گوگل مایند همچنین قابلیت‌های پیشرفتهای مانند توانایی دریافت و گزارش سطوح اطمینان در ورودی‌ها و خروجی‌ها را نشان داد. این رابط‌های اطلاعاتی غنی می‌توانند به بهبود بیشتر عملکرد پردازنده کوانتومی کمک کنند.
همچنین زمانی که AlphaQubit را روی نمونه‌هایی آموزش دادند که شامل تا ۲۵ مرحله اصلاح خطا بود، این سیستم عملکرد خوبی در آزمایش‌های شبیه‌سازی شده با تا ۱۰۰,۰۰۰ مرحله حفظ کرد و نشان داد که توانایی تعمیم به سناریوهای فراتر از داده‌های آموزشی خود را دارد.
حرکت به سوی کامپیوتر کوانتومی عملی
AlphaQubit یک نقطه عطف مهم در استفاده از یادگیری ماشین برای اصلاح خطاهای کوانتومی محسوب می‌شود. با این حال، هنوز با چالش‌های قابل توجهی در زمینه سرعت و مقیاس‌پذیری مواجه هستیم.
برای مثال، هر بررسی سازگاری در یک پردازنده کوانتومی ابررسانا سریع، میلیون‌ها بار در هر ثانیه اندازه‌گیری می‌شود. در حالی که AlphaQubit در شناسایی دقیق خطاها عملکرد بسیار خوبی دارد، اما هنوز برای اصلاح خطاها در یک پردازنده ابررسانا به صورت بلادرنگ، کند است. با رشد رایانش کوانتومی به سمت میلیون‌ها کیوبیتی که برای کاربردهای تجاری مورد نیاز است، نیاز خواهیم داشت راهکارهای آموزش رمزگشاهای مبتنی بر هوش مصنوعی را با بهره‌وری داده‌ای بالاتری پیدا کنیم.
تیم‌های ما با ترکیب پیشرفتهای پیشگامانه در یادگیری ماشین و اصلاح خطای کوانتومی، در تلاشند تا این چالش‌ها را پشت سر بگذارند و راه را برای ساخت رایانه‌های کوانتومی قابل‌اعتماد هموار کنند که قادر به حل برخی از پیچیده‌ترین مسائل جهان باشند.
دیدگاهتان را بنویسید