Pratikte kullanışlı bir kuantum bilgisayarı oluşturmak inanılmaz derecede zordur. Kuantum bilgisayarların faydalarını tam olarak anlayabilmek için ölçek, doğruluk, hız, güvenilirlik ve programlanabilirlik konularında önemli iyileştirmelere ihtiyaç var. Kullanışlı kuantum hesaplamanın önünde duran birçok karmaşık fizik ve mühendislik zorluklarının üstesinden gelmeye yardımcı olacak güçlü araçlara ihtiyaç vardır.
yapay zeka teknoloji manzarasını temelden değiştiriyor, endüstrileri yeniden şekillendiriyor ve dijital dünyayla etkileşim şeklimizi değiştiriyor. Veri alma ve istihbarat üretme yeteneği, günümüzde toplumun karşı karşıya olduğu en zorlu sorunlardan bazılarına çığır açıcı çözümlerin yolunu açıyor. Yapay zeka, kişiselleştirilmiş tıptan otonom araçlara kadar, kullanışlı kuantum hesaplamanın önünde duran birçok zorlu sorun da dahil olmak üzere, geleceği yeniden tanımlamayı vaat eden teknolojik devrimin ön saflarında yer alıyor.
Kuantum bilgisayarlar geleneksel süper bilgisayarlarla entegre olacak ve hükümet, akademi ve endüstri ile ilgili zorlu sorunların önemli kısımlarını hızlandıracak. Bu ilişki Kuantum Hızlandırılmış Süper Hesaplamaya Giriş'te açıklanmaktadır. Kuantum bilgisayarları süper bilgisayarlarla entegre etmenin avantajları karşılıklıdır ve bu sıkı entegrasyon, yapay zekanın, kullanışlı kuantum hesaplamanın önünde duran en önemli zorlukların çözülmesine yardımcı olmasını da sağlayacaktır.
Bu yazı, kuantum hesaplamanın yapay zeka tarafından desteklenen üç temel yönünü (işlemci, hata düzeltme ve algoritmalar) araştırıyor. Ayrıca yapay zekanın kuantum hesaplamayı en etkili şekilde etkinleştirebileceği bir altyapı oluşturmaya yönelik bazı pratik hususları da araştırıyor.
Kuantum işlemcilerin iyileştirilmesi
Kuantum işlemciler veya QPU'lar, kuantum bitlerini (qubit'ler) korumak ve işlemek için çok sayıda ince ayarlı sistemden oluşan fizik ve mühendislik harikalarıdır. Qubit'ler son derece hassastır ve en ufak bir gürültü kaynağı bile hesaplamayı bozabilir. Optimum kontrol, bir kuantum işlemciyi çalıştırmanın önemli bir yönüdür ve kübitler üzerinde gerekli tüm işlemlerin gürültüyü en aza indirecek şekilde gerçekleştirilmesini sağlar. Yapay zeka, bir kuantum işlemciden mümkün olan en kaliteli sonuçları üreten optimum kontrol dizilerini belirlemek için önemli bir araçtır.
Sunulan temel çalışma Grafik İşleme Birimlerine Dayalı Otomatik Farklılaştırmayla Kuantum Optimum Kontrolünde Hızlanma ilk olarak kuantum optimal kontrolü için otomatik farklılaşmayı hızlandırmak amacıyla GPU'ların faydasını gösterdi. Bu çalışma, 10 kubitlik GHZ durumunun hazırlanmasını optimize etmek için GPU kullanılarak 19 kat hızlanmayla sonuçlandı. Bu, sunulan çalışmaya yol açtı. Takviyeli Öğrenme ile Modelsiz Kuantum KontrolüTakviyeli öğrenmenin kuantum optimal kontrol problemlerine uygulanmasını araştıran.
Yapay zeka, kuantum cihaz operasyonunun diğer birçok yönüne uygulanmıştır: kalibrasyon Ve kübit okumasıçalışma sırasında aynı anda birden fazla kaynaktan gelen gürültüyü azaltma konusundaki faydasını göstermektedir.
Gürültülü kübitlerden kaynaklanan hataları düzeltme
En iyi tasarlanmış kuantum donanım işlemcileri bile çoğu algoritmayı çalıştırmak için gerekli olan gereksinimlerin altında kübit gürültü seviyeleri sergileyecektir. Bunun teorik çözümü, kuantum hesaplamalarındaki hataları sistematik olarak ortadan kaldıran ve güvenilir sonuçlar sağlayan bir prosedür olan kuantum hata düzeltmesidir.
Kuantum hata düzeltme prosedürünün genel adımları, kuantum bilgilerinin mantıksal kübitlere (birden fazla gürültülü fiziksel kübitlerden oluşan) kodlanmasını, mantıksal kübitler üzerinde algoritmik işlemlerin gerçekleştirilmesini, hangi hataların oluştuğunun kodunun çözülmesini (varsa) ve uygun hatayı düzeltmeyi içerir. Her adım karmaşıktır ve hataların düzeltilmesi ve hesaplamanın herhangi bir kuantum bilgisi kaybolmadan veya başka bir şekilde bozulmadan tamamlanması için verimli bir şekilde yürütülmesi gerekir.
Araştırmacılar hız, ölçeklenebilirlik ve karmaşık desen tanıma yeteneğinin, yapay zekayı kuantum hata düzeltme iş akışlarının birçok bölümünü etkinleştirmede harika bir araç haline getirdiğini kabul ediyor. Örneğin, Almanya'daki Max Planck Enstitüsü ve Friedrich Alexander Üniversitesi'nden bir ekip, yeni kuantum hata düzeltme kodlarını ve ilgili kodlayıcılarını keşfetmek için takviyeli öğrenmeden yararlandı. Ayrıntılar için bkz. Gürültüye Duyarlı Takviyeli Öğrenme Aracısı ile Kuantum Hata Düzeltme Kodlarının ve Kodlayıcıların Eşzamanlı Keşfi.
Kod çözme adımı, yapay zeka için umut verici bir başka hedeftir; Google'ın, tekrarlayan, transformatör tabanlı sinir ağlarının, “Kuantum Hata Düzeltme Kodu” olarak bilinen standart bir kuantum hata düzeltme kodunun kodunu çözmek için nasıl kullanılabileceğini araştıran son çalışmasıyla örneklendirilebilir. yüzey kodu. Daha fazla bilgi için bakınız Tekrarlayan, Transformatör Tabanlı Bir Sinir Ağıyla Yüzey Kodunu Çözmeyi Öğrenmek.
Verimli kuantum algoritmaları geliştirmek
Devre azaltma, kuantum iş akışının kritik bir parçası olup algoritmaların mümkün olduğu kadar verimli olmasını ve minimum kaynak gerektirmesini sağlar. Görev son derece zordur ve genellikle karmaşık optimizasyon problemlerinin çözülmesini gerektirir. Belirli bir fiziksel cihaz ve onun kübit topolojisi gibi benzersiz kısıtlamaları için bir algoritma derlerken karmaşıklık artar.
Sorun o kadar önemli ki, kuantum bilişim ekosistemindeki büyük oyuncular, yapay zeka destekli devre azaltma teknikleri bulmak için bir araya geliyor. Örneğin, Google DeepMind, Quantinuum ve Amsterdam Üniversitesi yakın zamanda bir araya gelerek Bir kuantum devresinde kaynak yoğun T kapılarının sayısını azaltmak için yapay zeka yöntemleri geliştirmek. Elde edilen sonuçlar, yapay zekanın, ortak bir kuantum devreleri seti üzerinde en son teknoloji ürünü T-geçidi azaltma tekniklerine göre önemli iyileştirmeler sağlayabileceğini gösterdi.
Kuantum algoritma tasarımıyla ilgili diğer bir konu, durum hazırlığı gibi belirli alt rutinlerin verimli uygulamalarını bulmaktır. Teorik bir hızlanma vaat eden ancak klasik problemin zaten bir kuantum durumu olarak kodlandığını varsayan bilinen kuantum algoritmaları vardır. Devlet hazırlığının kendisi katlanarak artan zorlu bir görev olabilir ve olduğu gibi kabul edilemez.
Kimya, enerjisi hesaplanmadan önce moleküler kuantum durumunun iyi bir yaklaşımının hazırlanması gereken mükemmel bir örnektir. Toronto Üniversitesi St. Jude Çocuk Araştırma Hastanesi ve NVIDIA arasındaki işbirliği, moleküler durum hazırlığı için üretken, önceden eğitilmiş bir transformatör (GPT) modelini kullanan bir yöntem geliştirdi (Şekil 2). Bu, GPT'nin kuantum algoritma tasarımına yönelik ilk uygulamasıydı ve kimyanın ötesindeki uygulamalara da genelleştirilebilir. Daha fazlasını öğrenmek için bkz. Üretken Kuantum Özçözücü (GQE) ve Temel Durum Aramasına Uygulanması.
Kuantum hesaplama için yapay zekayı keşfedin
Pratik kuantum hızlandırmalı süper hesaplamanın bilim insanlarına, hükümetlere ve işletmelere sağlayacağı değer, yalnızca yapay zekanın gücünden yararlanılarak gerçekleştirilecektir. Bu giderek daha açık hale geliyor ve yapay zeka ile kuantum uzmanları arasında daha fazla işbirliğini kolaylaştırıyor.
Kuantum geliştirme için etkili yapay zeka, çok disiplinli işbirliğini teşvik eden, her kuantum bilgi işlem görevi için yüksek düzeyde optimize edilmiş ve kuantum hızlandırmalı bir süper bilgi işlem altyapısında mevcut olan hibrit bilgi işlem yeteneklerinden tam olarak yararlanan yeni araçlar gerektirir.
NVIDIA, pratik kuantum hızlandırmalı süper hesaplamayı gerçekleştirmek için gerekli ölçeklerde kuantum için yapay zekayı etkinleştirecek donanım ve yazılım araçları geliştiriyor. Ziyaret etmek NVIDIA kuantum hesaplama daha fazla öğrenmek için.