11.12.2024. - ИИ Google DeepMind приближается к Святому Граалю

ИИ Google DeepMind приближается к Святому Граалю

Мечта о создании практичного, отказоустойчивого квантового компьютера стала значительным шагом вперед. В прорывном исследовании, недавно опубликованном в Nature, исследователи из Google DeepMind и Google Quantum AI заявили, что они разработали декодер AlphaQubit на основе искусственного интеллекта, который значительно повышает точность квантовой коррекции ошибок - важнейшей задачи в квантовых вычислениях.

“Наша работа иллюстрирует способность машинного обучения выходить за рамки разработанных человеком алгоритмов, обучаясь непосредственно на основе данных, подчеркивая, что машинное обучение является сильным конкурентом для декодирования на квантовых компьютерах”, - пишут исследователи.

Квантовые вычисления обещают преобразить мир, решая проблемы, с которыми не справятся даже самые мощные классические суперкомпьютеры. Их потенциал охватывает множество областей: от революционных преобразований в криптографии и оптимизации цепочек поставок до создания новых лекарств и прорывов в материаловедении.

По своей сути, квантовые вычисления используют принципы квантовой механики, такие как суперпозиция, запутанность и интерференция, для обработки информации принципиально новыми способами. Эта возможность может обеспечить беспрецедентную вычислительную мощность, позволяя решать сложные задачи экспоненциально быстрее, чем классические системы.

Одна из самых захватывающих перспектив связана с криптографией. Современное шифрование основано на математических задачах, которые классические компьютеры не могут решить с помощью вычислений. Квантовые алгоритмы, подобные алгоритму Шора, могут сделать многие существующие криптографические системы устаревшими, что приведет к переходу на квантово-устойчивые протоколы безопасности.

Между тем, в здравоохранении квантовые компьютеры могут моделировать молекулярные взаимодействия с необычайной точностью, ускоряя создание новых лекарств и персонализированных методов лечения. Аналогичным образом, достижения в области материаловедения могут привести к созданию более эффективных аккумуляторов, сверхпроводников и экологически чистых технологий, стимулируя прогресс в энергетике и транспорте.

Однако эти преобразующие приложения зависят от одного важного фактора: исправления ошибок.

Квантовые биты (кубиты) известны своей хрупкостью и подвержены ошибкам, вызванным шумом окружающей среды, помехами и несовершенством аппаратного обеспечения. Чтобы квантовые компьютеры могли выполнять надежные вычисления, эти ошибки должны исправляться эффективно и точно.

Новое исследование, опубликованное в Nature, демонстрирует инновационный подход, основанный на искусственном интеллекте, который может изменить подход к исправлению ошибок в квантовых системах. Исследователи из Google DeepMind и Google Quantum AI представили AlphaQubit, декодер на основе нейронных сетей, способный превзойти традиционные методы устранения ошибок квантовых процессоров.

Коррекция ошибок в квантовых вычислениях принципиально отличается от классической коррекции ошибок. Квантовые состояния запутаны, и ошибки могут проявляться в виде сложных взаимосвязанных паттернов.

Для расшифровки этих ошибок использовались традиционные алгоритмы, такие как идеальное сопоставление с минимальным весом (MWPM), но они сталкиваются со сложностями реального мира, такими как перекрестные помехи, утечки и другие шумовые эффекты.

В недавнем исследовании Google подчеркивается, что для обеспечения отказоустойчивости квантовых вычислений требуется снизить частоту логических ошибок - ошибок, которые передаются на выходе вычислений, — до чрезвычайного уровня: примерно до одной ошибки на триллион операций.

При работе с современным оборудованием частота ошибок в тысячи раз выше. Этот пробел сделал усовершенствованную коррекцию ошибок одной из самых важных задач в квантовых технологиях.

Исследователи Google говорят, что AlphaQubit представляет собой прорыв в области квантовой коррекции ошибок. Он использует рекуррентную нейронную сеть на основе transformer - передовую архитектуру машинного обучения — для расшифровки квантовых ошибок с беспрецедентной точностью.

В отличие от обычных алгоритмов, которые основаны на заранее разработанных моделях шума, AlphaQubit обучается непосредственно на основе экспериментальных данных. Это позволяет ему адаптироваться к сложным, реальным моделям ошибок, которые ранее не учитывались.

Исследователи использовали двухэтапный подход при разработке AlphaQububit, включая предварительное обучение нейронной сети на миллиардах синтетических выборок, сгенерированных с помощью шумовых моделей, имитирующих квантовое оборудование. Кроме того, модель была доработана с использованием ограниченного набора реальных данных из квантового процессора Google Sycamore.

Этот гибридный подход позволил AlphaQubit превзойти существующие декодеры на моделируемых и экспериментальных наборах данных, включая методы, основанные на MWPM и тензорной сети.

Производительность AlphaQubit оценивалась на процессоре Sycamore от Google с использованием surface codes - ведущего метода квантовой коррекции ошибок. Результаты показали, что при кодовых расстояниях (показатель устойчивости к ошибкам) до 11 AlphaQubit значительно снижает частоту логических ошибок по сравнению с самыми современными альтернативами. Кроме того, декодер на базе искусственного интеллекта сохранил свои преимущества при различных сценариях шума, в том числе при высоком уровне утечки и перекрестных помех.

AlphaQubit также применил свои возможности к задачам исправления ошибок, выходящим далеко за рамки обучения, и с постоянной точностью выполнял до 100 000 циклов исправления.

Способность декодера интегрировать “мягкую” информацию — непрерывные данные, представляющие вероятность конкретных ошибок, — еще больше повысила его точность. Это контрастирует с традиционными “жесткими” двоичными входами, которые отбрасывают мелкие детали ошибок.

Разработка AlphaQubit может иметь серьезные последствия для индустрии квантовых вычислений. Отказоустойчивые системы, способные выполнять сложные алгоритмы без ошибок, являются святым граалем квантовых вычислений. Этот прорыв приближает мечту о масштабируемых квантовых вычислениях к реальности благодаря значительному улучшению коррекции ошибок.

Более того, исследование подчеркивает преобразующий потенциал машинного обучения в научных и инженерных задачах. Даже при ограниченном количестве образцов способность ИИ учиться на экспериментальных данных демонстрирует его превосходство над алгоритмами, разработанными человеком, в решении сложных задач, основанных на данных.

Несмотря на то, что AlphaQubit устанавливает новые стандарты, проблемы остаются. Масштабирование декодера до больших кодовых расстояний и достижение высокой пропускной способности, необходимой для практических квантовых вычислений, являются постоянными препятствиями. Исследователи признают, что потребуются дальнейшие инновации в архитектурах машинного обучения и квантовом оборудовании.

“Несмотря на то, что AlphaQubit отлично справляется с точной идентификацией ошибок, он все еще слишком медленный для исправления ошибок в сверхпроводящем процессоре в режиме реального времени”, - говорится в пресс-релизе Google. “По мере того, как квантовые вычисления увеличиваются до потенциально миллионов кубитов, необходимых для коммерчески значимых приложений, нам также необходимо будет найти более эффективные способы обучения декодеров на основе искусственного интеллекта”.

Несмотря на эти трудности, успех AlphaQubit подчеркивает важнейшую роль междисциплинарных исследований в развитии квантовых технологий. Сотрудничество между ИИ и квантовой физикой не только устранило ключевое препятствие, но и открыло новые возможности для исследований.

В конечном счете, возможности AlphaQubit выходят за рамки исправления ошибок. Его вероятностный вывод может быть использован в иерархических схемах декодирования и ресурсоемких задачах, таких как дистилляция магического состояния, процесс, имеющий решающее значение для некоторых квантовых алгоритмов.

По мере совершенствования квантового оборудования и усложнения алгоритмов искусственного интеллекта синергия между этими областями обещает полностью раскрыть потенциал квантовых вычислений.

Как отмечают авторы исследования, “хотя мы ожидаем, что другие методы декодирования будут продолжать совершенствоваться, эта работа подтверждает нашу уверенность в том, что декодеры с машинным обучением могут обеспечить необходимое подавление ошибок и скорость, необходимые для осуществления практических квантовых вычислений”.

Это заявление подчеркивает преобразующий потенциал решений, основанных на ИИ, в преодолении ограничений, присущих квантовым технологиям. С AlphaQubit реализация отказоустойчивых квантовых систем и революционных приложений, которые они обещают, может стать как никогда близкой.

Источник