گوگل با معرفی یک سیستم هوش مصنوعی جدید به نام AlphaQubit، با هدف تصحیح خطای کوانتومی، گامی بزرگ در مسیر محاسبات کوانتومی برداشته است.
این سیستم موفق شده است که با دقت بالایی خطاهای ماندگار در رایانه‌های کوانتومی را شناسایی و اصلاح کند.
پژوهشگران گوگل با ارائه یک تکنیک جدید در مقاله‌ای که در نشریه معتبر Nature منتشر شده است، نشان داده‌اند که این سیستم توانسته است مشکلات پایدار محاسبات کوانتومی را با استفاده از یادگیری ماشینی برطرف کند.
هدف این فناوری، ایجاد ثبات در سیستم‌های کوانتومی است که از چالش‌های اصلی علم در این حوزه به حساب می‌آید.
چرا رایانه‌های کوانتومی مهم هستند؟
گوگل در بیانیه‌ای اعلام کرده است: «رایانه‌های کوانتومی توانایی تحول در کشف دارو، طراحی مواد و فیزیک بنیادی را دارند، اما این تنها در صورتی ممکن است که بتوانیم آنها را به شکلی قابل اعتماد عملی کنیم.»
با وجود این، سیستم‌های کوانتومی بسیار حساس هستند و عوامل محیطی کوچک، از جمله گرما، لرزش، میدان‌های الکترومغناطیسی یا حتی پرتوهای کیهانی، می‌توانند عملکرد آنها را مختل کنند و باعث خطاهای محاسباتی شوند.
مطالعه‌ای که در ماه مارس منتشر شد، نشان می‌دهد برای استفاده عملی از رایانه‌های کوانتومی، نرخ خطای این دستگاه‌ها باید به یک در تریلیون عملیات (۱۰^-۱۲) کاهش یابد.
این در حالی است که سخت‌افزارهای کنونی دارای نرخ خطایی بین ۱۰^-۳ تا ۱۰^-۲ در هر عملیات هستند. از این رو، اصلاح خطا یک نیاز اساسی در این حوزه به حساب می‌آید.
گوگل تأکید کرده است: «مسائلی که حل آنها برای رایانه‌های معمولی میلیاردها سال زمان می‌برد، می‌تواند توسط رایانه‌های کوانتومی تنها در عرض چند ساعت انجام شود. اما این پردازنده‌های جدید در برابر نویز به طور قابل توجهی آسیب‌پذیرتر از پردازنده‌های معمولی هستند.»
هوش مصنوعی جدید AlphaQubit با بهره‌گیری از یک معماری پیچیده شبکه عصبی، توانسته است دقت بی‌سابقه‌ای در شناسایی و اصلاح خطاهای کوانتومی نشان دهد.
در آزمایش‌های گسترده، این سیستم توانست ۶ درصد خطای کمتری نسبت به بهترین روش‌های قبلی و ۳۰ درصد خطای کمتری نسبت به تکنیک‌های سنتی داشته باشد.
علاوه بر این، AlphaQubit در سیستم‌هایی با اندازه‌های مختلف، از ۱۷ کیوبیت تا ۲۴۱ کیوبیت، عملکردی قابل اعتماد ارائه داده است. این موضوع نشان‌دهنده پتانسیل این فناوری برای مقیاس‌پذیری در سیستم‌های بزرگ‌تر است.
نحوه عملکرد هوش مصنوعی AlphaQubit
هوش مصنوعی AlphaQubit از یک رویکرد دو مرحله‌ای برای دستیابی به دقت بالا استفاده می‌کند.
در مرحله نخست، این سیستم با داده‌های شبیه‌سازی‌شده نویز کوانتومی آموزش می‌بیند و الگوهای کلی خطاهای کوانتومی را شناسایی می‌کند.
سپس در مرحله دوم، با استفاده از داده‌های تجربی محدود، خود را با سخت‌افزار واقعی کوانتومی تطبیق می‌دهد. این روش به AlphaQubit امکان می‌دهد تا با نویزهای پیچیده دنیای واقعی، از جمله تداخل بین کیوبیت‌ها و نشت حالت‌ها، به طور مؤثر مقابله کند.
چالش‌های پیش‌رو
با وجود پیشرفت‌های چشمگیر، هنوز موانع بزرگی برای اجرای عملی این سیستم وجود دارد.
پژوهشگران گوگل توضیح داده‌اند که در یک پردازنده کوانتومی ابررسانا، هر بررسی سازگاری باید یک میلیون بار در هر ثانیه اندازه‌گیری شود. در حالی که AlphaQubit در شناسایی خطاها بسیار دقیق عمل می‌کند، اما هنوز نمی‌تواند خطاها را در زمان واقعی اصلاح نماید.
یکی از سخنگویان Deepmind در گفت‌وگو با Decrypt اعلام کرد: «هرچه فاصله کد بزرگ‌تر شود آموزش دشوارتر می‌شود، چرا که نمونه‌ها پیچیده‌تر هستند و بازده نمونه در این فاصله‌ها کمتر به نظر می‌رسد. این مسئله اهمیت دارد، به این دلیل که نرخ خطا به طور نمایی با فاصله کد، مقیاس می‌شود. بنابراین برای دستیابی به نرخ خطای بسیار پایین، به حل مسائل در این فاصله‌ها نیاز داریم.»
هوش مصنوعی AlphaQubit نشان‌دهنده یک گام بزرگ به سوی محاسبات کوانتومی عملی است، اما هنوز چالش‌های بسیاری در این مسیر وجود دارد.
اگر این سیستم بتواند بر محدودیت‌های فعلی غلبه کند، امکان دستیابی به رایانه‌های کوانتومی با عملکرد قابل اعتماد و کاربردهای واقعی، از جمله در حوزه‌های پزشکی، مهندسی و فیزیک، بیش از هر زمان دیگری در دسترس خواهد بود.