حدود یک سال و نیم پیش، استارت‌آپ کنترل کوانتومی Quantum Machines و Nvidia یک همکاری عمیق را اعلام کردند که پلتفرم محاسباتی کوانتومی DGX Nvidia و سخت‌افزار کنترل کوانتومی پیشرفته Quantum Machine را گرد هم می‌آورد. ما برای مدتی چیز زیادی در مورد نتایج این همکاری نشنیدیم، اما اکنون شروع به به ثمر رساندن کرده و صنعت را یک قدم به جام مقدس یک کامپیوتر کوانتومی تصحیح شده با خطا نزدیک‌تر کرده است.

در ارائه‌ای در اوایل سال جاری، این دو شرکت نشان دادند که می‌توانند از یک مدل یادگیری تقویتی خارج از قفسه که بر روی پلتفرم DGX انویدیا اجرا می‌شود برای کنترل بهتر کیوبیت‌ها در تراشه کوانتومی Rigetti با کالیبره نگه داشتن سیستم استفاده کنند.

یوناتان کوهن، یکی از بنیانگذاران و CTO ماشین های کوانتومی، اشاره کرد که چگونه شرکت او مدت هاست به دنبال استفاده از موتورهای محاسباتی کلاسیک عمومی برای کنترل پردازنده های کوانتومی بوده است. آن موتورهای محاسباتی کوچک و محدود بودند، اما این مشکلی برای پلتفرم بسیار قدرتمند DGX انویدیا نیست. او بيان کرد جام مقدس اجرای تصحیح خطای کوانتومی است. ما هنوز آنجا نیستیم. در عوض، این همکاری بر روی کالیبراسیون، و به طور خاص کالیبره کردن پالس‌های «π» که چرخش یک کیوبیت را در یک پردازنده کوانتومی کنترل می‌کنند، متمرکز شد.

در نگاه اول، کالیبراسیون ممکن است یک مشکل یکباره به نظر برسد: شما قبل از شروع الگوریتم پردازنده را کالیبره می‌کنید. اما به این سادگی نیست. کوهن او میگوید : «اگر به عملکرد رایانه‌های کوانتومی امروز نگاه کنید، به وفاداری بالایی دست خواهید یافت. اما پس از آن، کاربران، زمانی که از رایانه استفاده می کنند، معمولاً بهترین وفاداری را ندارند. همیشه دریفت می کند. اگر بتوانیم مرتباً با استفاده از این نوع تکنیک‌ها و سخت‌افزار زیربنایی آن را مجدداً کالیبره کنیم، می‌توانیم عملکرد را بهبود بخشیم و وفاداری را در مدت طولانی [بالا] حفظ کنیم، این همان چیزی است که در تصحیح خطای کوانتومی مورد نیاز است. »

تنظیم مداوم آن پالس ها در زمان واقعی تقریباً یک کار محاسباتی بسیار فشرده است، اما از آنجایی که یک سیستم کوانتومی همیشه کمی متفاوت است، همچنین یک مشکل کنترلی است که می تواند با کمک یادگیری تقویتی حل شود.

Sam Stanwyck، مدیر محصول گروه انویدیا برای محاسبات کوانتومی، او میگوید : «همانطور که رایانه‌های کوانتومی در حال افزایش و بهبود هستند، همه این مشکلات به گلوگاه تبدیل می‌شوند که واقعاً محاسباتی فشرده می‌شوند. تصحیح خطای کوانتومی واقعاً کار بزرگی است. این برای باز کردن محاسبات کوانتومی تحمل‌پذیر خطا، و همچنین نحوه اعمال دقیق پالس‌های کنترلی مناسب برای استفاده حداکثری از کیوبیت‌ها ضروری است.

Stanwyck همچنین تاکید کرد که هیچ سیستمی قبل از DGX Quantum وجود نداشت که حداقل تاخیر لازم برای انجام این محاسبات را ممکن کند.

همانطور که به نظر می رسد، حتی یک بهبود کوچک در کالیبراسیون می تواند به بهبودهای گسترده در اصلاح خطا منجر شود. Ramon Szmuk، مدیر محصول ماشین‌های کوانتومی، توضیح داد: «بازده سرمایه‌گذاری در کالیبراسیون در زمینه تصحیح خطای کوانتومی، نمایی است. اگر 10 درصد بهتر کالیبره کنید، خطای منطقی [عملکرد] به طور تصاعدی بهتری در کیوبیت منطقی که از کیوبیت های فیزیکی زیادی تشکیل شده است به شما می دهد. پس انگیزه زیادی در اینجا برای کالیبراسیون بسیار خوب و سریع وجود دارد."

شایان ذکر است که این تازه شروع این فرآیند بهینه سازی و همکاری است. کاری که تیم در اینجا انجام داد این بود که به سادگی تعداد انگشت شماری از الگوریتم های خارج از قفسه را انتخاب کنید و ببینید کدام یک بهترین عملکرد را دارد (در این مورد TD3). در مجموع، کد واقعی برای اجرای آزمایش تنها حدود 150 خط بود. البته، این متکی به تمام کارهایی است که دو تیم برای ادغام سیستم‌های مختلف و ایجاد پشته نرم‌افزار انجام دادند. با این حال، برای توسعه دهندگان، همه این پیچیدگی ها را می توان پنهان کرد و این دو شرکت انتظار دارند در طول زمان کتابخانه های متن باز بیشتری ایجاد کنند تا از این پلت فرم بزرگتر استفاده کنند.

Szmuk تاکید کرد که برای این پروژه، تیم فقط با یک مدار کوانتومی بسیار ابتدایی کار کرده است، اما می توان آن را به مدارهای عمیق نیز تعمیم داد. اگر می توانید این کار را با یک گیت و یک کیوبیت انجام دهید، می توانید با صد کیوبیت و 1000 گیت نیز این کار را انجام دهید.

Stanwyck گفت : "من می گویم که نتیجه فردی یک گام کوچک است، اما این یک گام کوچک به سمت حل مهم ترین مشکلات است. " محاسبات کوانتومی مفید مستلزم ادغام شدید ابررایانه‌های شتاب‌دار است – و این ممکن است سخت‌ترین چالش مهندسی باشد. پس اگر بتوانیم این کار را به طور واقعی بر روی یک کامپیوتر کوانتومی انجام دهیم و یک پالس را طوری تنظیم کنیم که نه تنها برای یک کامپیوتر کوانتومی کوچک بهینه شده باشد، بلکه یک پلت فرم مقیاس پذیر و مدولار است، ما فکر می کنیم که واقعاً در راه حل برخی از آنها هستیم. از مهمترین مشکلات محاسبات کوانتومی با این است.

Stanwyck همچنین بيان کرد که این دو شرکت قصد دارند این همکاری را ادامه دهند و این ابزارها را در اختیار محققان بیشتری قرار دهند. با عرضه تراشه های بلک ول انویدیا در سال آینده، آنها همچنین پلتفرم محاسباتی قدرتمندتری برای این پروژه خواهند داشت.

خبرکاو