گوگل از سیستم هوش مصنوعی رونمایی کرد که خطاهای کامپیوتر کوانتومی را در لحظه اصلاح می‌کند

در عدد دقیق ۷.۷۲ × ۱۰⁻⁴، رکورد جدید نرخ خطای منطقی که توسط پردازنده «ویلو» گوگل ثبت شده است، عددی بسیار خاص است که یک مشکل بسیار عملی و چند دهه‌ای را حل می‌کند: کامپیوترهای کوانتومی اگر دائماً برای کالیبراسیون مجدد متوقف نشوند، نحوه انجام محاسبات را فراموش می‌کنند.

سال‌هاست که کار با یک پردازنده کوانتومی ابررسانا شبیه کوک کردن یک پیانوی بزرگ در حین سقوط از پله‌ها بوده است، زیرا سخت‌افزار آنقدر حساس است که صرف گذشت زمان دقت آن را کاهش می‌دهد. اکنون، یک پیشرفت مشترک از بخش هوش مصنوعی کوانتومی گوگل و دیپ‌مایند گوگل (Google DeepMind) اساساً این پویایی را تغییر داده و یک لایه هوش مصنوعی زنده معرفی کرده است که به تراشه اجازه می‌دهد انحراف فیزیکی خود را در لحظه اصلاح کند.[1][2]

این نقطه عطف مهندسی که به تفصیل در مقاله‌ای جدید و داوری‌شده در مجله «نیچر» (Nature) منتشر شده است، یک عامل یادگیری تقویتی را نشان می‌دهد که به طور فعال سخت‌افزار پردازنده ۱۰۵ کیوبیتی «ویلو» را مدیریت می‌کند. این سیستم به جای تکیه بر مدل‌های سخت و مبتنی بر فیزیک برای حفظ پایداری، هزاران پارامتر کنترل آنالوگ را بدون توقف محاسبات زیرین، به طور مداوم تنظیم می‌کند.

این امر عملاً به دستگاه اجازه می‌دهد تا بی‌ثباتی فیزیکی خود را در حین کار ترمیم کند. برای صنعتی که مدت‌ها انحراف سخت‌افزاری را مانعی غیرقابل عبور برای توجیه تجاری می‌دانست، توانایی حفظ انسجام در طول اجرای بدون وقفه، یک تغییر ساختاری بزرگ محسوب می‌شود.[2]

برای درک بزرگی این تغییر، باید به نحوه مدیریت تاریخی پردازنده‌های کوانتومی نگاه کرد. بیت‌های کوانتومی یا کیوبیت‌ها، دستگاه‌های آنالوگ بسیار شکننده‌ای هستند که در دماهایی سردتر از فضای عمیق کار می‌کنند. حتی در این محیط‌های بسیار کنترل‌شده، کالیبراسیون آن‌ها به دلیل نوسانات حرارتی میکروسکوپی، کهنگی مواد و نویز الکترونیکی محیط، به طور بی‌وقفه دچار انحراف می‌شود.

سال‌ها، تنها راه حل قابل اعتماد، مداخله بسیار مختل‌کننده انسانی بود. اپراتورها مجبور بودند محاسبات را به طور کامل متوقف کنند، یک دنباله تنظیم تشخیصی اختصاصی را برای کالیبره کردن مجدد پالس‌های مایکروویو اجرا کنند و سپس فرآیند محاسباتی را از ابتدا شروع کنند.[1]

این واقعیت توقف و شروع به این معنی بود که الگوریتم‌های کوانتومی طولانی‌مدت—از جمله مواردی که برای کشف داروهای پیشگامانه، علم مواد پیشرفته یا فاکتورگیری رمزنگاری پیچیده مورد نیاز هستند—عملاً غیرقابل اجرا بودند. یک ماشین نمی‌تواند مشکلی را حل کند که حل آن روزها طول می‌کشد، اگر سخت‌افزار آن انسجام خود را از دست بدهد و هر چند ساعت یکبار نیاز به بازنشانی دستی داشته باشد.

رویکرد استاندارد، کالیبراسیون و محاسبات را به عنوان فعالیت‌های متقابلاً منحصر به فردی در نظر می‌گرفت که برای زمان سخت‌افزار با هم رقابت می‌کردند؛ این یک گلوگاه بود که پتانسیل نظری دستگاه‌های کوانتومی با مقیاس متوسط و نویزی را به شدت محدود می‌کرد و فناوری را به آزمایش‌های کوتاه مدت آزمایشگاهی محصور می‌کرد.[4]

برای دور زدن این محدودیت، محققان گوگل متوجه شدند که می‌توانند یک وظیفه دوم و بسیار سودمند به معماری تشخیص خطای موجود تراشه بدهند. پروتکل‌های تصحیح خطای کوانتومی، مانند کد سطحی مورد استفاده در تراشه «ویلو»، در حال حاضر یک جریان عظیم و مداوم از هشدارهای دیجیتال تولید می‌کنند که برای محافظت از داده‌های منطقی در برابر فساد طراحی شده‌اند.

گوگل به جای استفاده از این سیگنال‌ها صرفاً برای وصله کردن محاسبات پس از وقوع، این جریان داده زنده را به یک عامل یادگیری تقویتی—که خویشاوند سیستم‌های هوش مصنوعی است که بر بازی‌های پیچیده‌ای مانند شطرنج و گو مسلط شدند—تغذیه کرد و انحراف سخت‌افزاری را به عنوان یک محیط پویا برای حل کردن در نظر گرفت.[1][3]

در عمل، عامل هوش مصنوعی این سیگنال‌های خطای محلی را نظارت می‌کند و هزاران تنظیم دقیق و همزمان را بر روی دامنه‌ها، فرکانس‌ها و فازهای کوپلینگ پالس مایکروویو اعمال می‌کند که کیوبیت‌های فیزیکی را کنترل می‌کنند. از آنجا که این عامل به طور مداوم کار می‌کند، فوراً حس می‌کند که کدام تنظیمات محلی، هشدارهای خطا را کاهش می‌دهد.

این عامل از آن گرادیان ریاضی پیروی می‌کند تا سیستم را به پایداری بازگرداند، و آنچه قبلاً یک رویه کالیبراسیون دستی و آفلاین بود را به یک حلقه بازخورد بسته و با سرعت بالا تبدیل می‌کند که کاملاً در پس‌زمینه محاسبات اصلی و بدون ایجاد اختلال در حالت کوانتومی فعال عمل می‌کند.[3]

ارقام عملکردی که در نشریه «نیچر» تأیید شده‌اند، بسیار فراتر از محدودیت‌های مدل‌سازی سنتی مبتنی بر فیزیک هستند. تحت انحراف سخت‌افزاری تزریق‌شده مصنوعی—که برای شبیه‌سازی تخریب شدیدی طراحی شده بود که یک سیستم واقعی در طول ساعت‌ها کار مداوم تجربه می‌کند—هدایت یادگیری تقویتی، پایداری منطقی کد تصحیح خطا را ۳.۵ برابر بهبود بخشید.

شاید حتی قابل توجه‌تر، دستاوردی باشد که هوش مصنوعی در یک سیستم بکر و تازه تنظیم‌شده به دست آورد. هنگامی که این عامل بر روی پردازنده‌ای که قبلاً توسط فیزیکدانان انسانی به طور کامل برای رسیدن به اوج عملکرد کالیبره شده بود، رها شد، ۲۰ درصد اضافی از نرخ خطای منطقی پایه را سرکوب کرد.[2]

با این حال، هنگام ارزیابی هر نقطه عطف کوانتومی، نیاز به دیدگاهی شکاکانه در مورد جدول زمانی وجود دارد، زیرا شکاف بین یک پیشرفت آزمایشگاهی و یک محصول تجاری همچنان بسیار زیاد است. این دستاورد عمدتاً بر حافظه کوانتومی و انحراف کنترل متمرکز است، نه یک ماشین تجاری کاملاً تحقق یافته و تحمل‌پذیر در برابر خطا که الگوریتم‌های پیچیده را اجرا می‌کند.

سیستم حلقه بسته به شدت به ارتباط فوق‌سریع و با تأخیر کم بین عامل هوش مصنوعی کلاسیک و پردازنده کوانتومی کرایوژنیک متکی است، یک پل سخت‌افزاری که حفظ آن با افزایش تعداد کیوبیت‌ها به هزاران، دشوارتر خواهد شد. جهش به یک سیستم تجاری یک میلیون کیوبیتی همچنان یک چالش مهندسی عظیم باقی مانده است.[4]

با این حال، شبیه‌سازی‌های عددی گوگل از سیستم‌های بسیار بزرگتر—که تا ۴۰,۰۰۰ پارامتر کنترل را در یک کد سطحی فاصله-۱۵ مدیریت می‌کنند—نشان می‌دهد که سرعت بهینه‌سازی هوش مصنوعی با رشد ردپای سخت‌افزاری کاهش نمی‌یابد.

این بدان معناست که هوش مصنوعی دیگر فقط یک برنامه کاربردی نیست که منتظر اجرا بر روی یک کامپیوتر کوانتومی آینده باشد؛ بلکه در حال تبدیل شدن به بخشی اساسی از سیستم عامل مورد نیاز برای ساخت آن است. با تبدیل کالیبراسیون به یک فرآیند پس‌زمینه مداوم و خودمختار، این صنعت یکی از سرسخت‌ترین موانع فیزیکی را که بین نظریه کوانتومی و واقعیت تجاری قرار داشت، برطرف کرده است.[2]