دستیابی گوگل به پیشرفت کوانتومی با سیستم خودتنظیم تصحیح خطا

برای دهه‌ها، بزرگترین مانع در محاسبات کوانتومی نه ساخت پردازنده‌ها، بلکه حفظ عملکرد آنها بوده است. حالت‌های کوانتومی به شدت شکننده هستند و سخت‌افزار آنالوگی که آنها را کنترل می‌کند، بسیار مستعد نویز محیطی است. حتی نوسانات میکروسکوپی در دما یا میدان‌های الکترومغناطیسی می‌توانند باعث شوند که سیستم به مرور زمان از تراز خارج شده و خطاهای مهلکی را در محاسبات ایجاد کند.[6]

تا کنون، تنها راه برای رفع این انحراف (Drift) این بود که محاسبات کاملاً متوقف شود، دستگاه مجدداً کالیبره شده و از نو شروع به کار کند. این واقعیت «توقف و شروع» یک گلوگاه عظیم برای این صنعت ایجاد کرده بود. مورد انتظارترین الگوریتم‌های کوانتومی جهان—آنهایی که قادر به شبیه‌سازی مولکول‌های پیچیده برای کشف دارو یا بهینه‌سازی زنجیره‌های تأمین جهانی هستند—به زمان اجرای پیوسته در طول روزها یا حتی ماه‌ها نیاز دارند. خاموش کردن پردازنده هر چند ساعت یکبار، این کاربردها را عملاً غیرممکن می‌ساخت.[2][3]

در مقاله‌ای مهم که در مجله Nature منتشر شد، تیم هوش مصنوعی کوانتومی گوگل (Google's Quantum AI) راه‌حلی را نشان داده است که اساساً این مسیر را تغییر می‌دهد. با ادغام یادگیری تقویتی با تصحیح خطای کوانتومی، آنها یک پردازنده کوانتومی طراحی کرده‌اند که می‌تواند به طور پیوسته خطاهای خود را تشخیص داده و در حین کار، بدون توقف محاسبات، خود را مجدداً تنظیم کند. این امر به طور مؤثری یکی از سرسخت‌ترین موانع بر سر راه محاسبات کوانتومی تجاری را برطرف می‌کند.[1][2]

محققان گوگل وضعیت قبلی محاسبات کوانتومی را به یک ارکستر سمفونیک تشبیه می‌کنند که در آن ویولن‌ها هر چند میزان یکبار از کوک خارج می‌شوند. در یک ارکستر معمولی، نوازندگان در حین نواختن سازهای خود را تنظیم می‌کنند و تضمین می‌کنند که اجرا بدون وقفه ادامه یابد. اما در یک کامپیوتر کوانتومی، کل مجموعه قبلاً مجبور بود متوقف شود، مجدداً کوک شود و قطعه را از ابتدا شروع کند، که نتیجه نهایی را خراب می‌کرد.[2][6]

سیستم جدید معادل کوانتومی تنظیم سازها در حین نواختن موسیقی را ممکن می‌سازد. برای دستیابی به این هدف، تیم یک عامل هوش مصنوعی خودمختار را به کار گرفت که عملکرد پردازنده را نظارت کرده و هزاران پارامتر کنترل آنالوگ را به صورت پویا هدایت می‌کند. این شامل تنظیم مداوم فرکانس‌ها، دامنه‌ها و فازهای پالس‌های مایکروویو است که عملیات ظریف کیوبیت‌ها را هماهنگ می‌کنند.[1][2]

چالش اصلی در مکانیک کوانتومی این است که اندازه‌گیری مستقیم یک کیوبیت برای مشاهده اینکه آیا دچار انحراف شده است یا خیر، فوراً حالت ظریف آن را فرو می‌پاشد و اطلاعاتی را که کامپیوتر در حال پردازش آن است، از بین می‌برد. برای دور زدن این پارادوکس، گوگل به تصحیح خطای کوانتومی (QEC) متکی است، تکنیکی که چندین کیوبیت فیزیکی را در یک «کیوبیت منطقی» واحد و بسیار پایدار گروه‌بندی می‌کند.[2][4]

به جای نگاه مستقیم به کیوبیت‌های حامل داده، سیستم بررسی‌های توازن (Parity Checks) تخصصی را روی «کیوبیت‌های اندازه‌گیری» مجاور انجام می‌دهد. این بررسی‌ها نویز آنالوگ را به رویدادهای تشخیص خطای باینری تبدیل می‌کنند. آنها اساساً به سیستم زمزمه می‌کنند که خطایی در یک ناحیه خاص از مدار رخ داده است، و به دستگاه اجازه می‌دهند تا انحراف را بدون افشای یا از بین بردن اطلاعات کوانتومی زیربنایی شناسایی کند.[2][6]

این پیشرفت در نحوه استفاده عامل یادگیری تقویتی از این زمزمه‌های باینری نهفته است. هوش مصنوعی جریان پیوسته تشخیص خطاها را دریافت کرده و آنها را به یک سیگنال یادگیری تبدیل می‌کند. سپس دقیقاً محاسبه می‌کند که سخت‌افزار چگونه در حال انحراف است و تنظیمات بسیار کوچکی (Micro-adjustments) را در زمان واقعی بر روی سیگنال‌های کنترلی اعمال می‌کند و دائماً با نویز محیطی در حال نبرد است.[1][3]

نتایج نشان‌دهنده یک جهش چشمگیر در عملکرد سخت‌افزار است. بر اساس داده‌های منتشر شده، کالیبراسیون پیوسته مبتنی بر هوش مصنوعی، تنظیمات چندین ساله متخصصان انسانی را با ۲۰ درصد بهبود اضافی شکست داد. علاوه بر این، مکانیسم خودتنظیمی، سخت‌افزار کوانتومی را در طول عملیات طولانی‌مدت ۳.۵ برابر پایدارتر کرد و ثابت کرد که نرم‌افزار می‌تواند فعالانه نقص‌های سخت‌افزاری را برطرف کند.[4][5]

این نقطه عطف بر روی Willow، پردازنده ابررسانای پرچمدار ۱۰۵ کیوبیتی گوگل که در سانتا باربارا ساخته شده، به دست آمد. Willow قبلاً با عبور از مانع تصحیح خطای «زیر آستانه» (below-threshold) خبرساز شده بود، و ثابت کرد که افزودن کیوبیت‌های فیزیکی بیشتر به یک گروه منطقی در واقع نرخ خطا را کاهش می‌دهد نه اینکه آن را تشدید کند. افزودن قابلیت‌های خودتنظیمی، Willow را به خودمختارترین تراشه کوانتومی تبدیل می‌کند که تاکنون آزمایش شده است.[6]

ادغام هوش مصنوعی در مدیریت سخت‌افزار کوانتومی به سرعت در حال تبدیل شدن به یک روند تعیین‌کننده در اواخر دهه ۲۰۲۰ است. سیستم‌هایی مانند AlphaQubit متعلق به Google DeepMind به طور فزاینده‌ای ثابت می‌کنند که یادگیری ماشین برای مدیریت محیط‌های پر هرج و مرج و چندبعدی پردازنده‌های کوانتومی، مناسب‌تر از روش‌های اکتشافی (Heuristics) ایستا است که توسط انسان طراحی شده‌اند. هوش مصنوعی در حال گذار از یک کاربرد محاسبات کوانتومی به یک بلوک ساختمانی بنیادی است.[1][6]

با وجود این جهش عظیم رو به جلو، چالش‌های مهندسی قابل توجهی باقی مانده است. این سیستم هنوز باید از ۱۰۵ کیوبیت فیزیکی روی تراشه Willow به تقریباً یک میلیون کیوبیت مورد نیاز برای یک کامپیوتر کوانتومی تجاری و کاملاً مقاوم در برابر خطا (Fault-tolerant) مقیاس‌پذیر شود. در آن مقیاس، عامل یادگیری تقویتی باید میلیون‌ها پارامتر کنترلی را به طور همزمان مدیریت کند، که برای حفظ پایداری سیستم کوانتومی به قدرت محاسباتی کلاسیک عظیمی نیاز دارد.[2][6]

علاوه بر این، محققان خاطرنشان می‌کنند که در حالی که هوش مصنوعی به طور مؤثری انحرافات معمول را سرکوب می‌کند، رویدادهای خطای همبسته نادر همچنان یک تهدید پایدار باقی می‌مانند. هنگامی که یک پرتو کیهانی (Cosmic Ray) یا یک نوسان حرارتی ناگهانی بخش بزرگی از کیوبیت‌ها را به طور همزمان مختل می‌کند، می‌تواند یک کف سخت برای نرخ خطای منطقی ایجاد کند که نرم‌افزار به تنهایی قادر به رفع آن نیست. محافظ سخت‌افزاری و مواد بهبود یافته همچنان ضروری خواهند بود.[1][6]

با این وجود، حذف مانع توقف کالیبراسیون، اساساً جدول زمانی محاسبات کوانتومی عملی را تسریع می‌کند. گوگل با اثبات اینکه یک پردازنده کوانتومی می‌تواند به طور خودمختار پایداری خود را حفظ کند، یک مسئله فیزیک نظری را به یک وظیفه مهندسی قابل حل تبدیل کرده و عصر محاسبات کوانتومی پیوسته و چند روزه را به وضوح در معرض دید قرار داده است.[3][6]