- Google DeepMind ve Quantum AI ekibi tarafından ortak geliştirilen AlphaQubit, yapay zekayı kullanarak kuantum bilgisayarların içindeki hataları doğru biçimde belirliyor
- Bu teknoloji, kuantum bilgisayarları daha güvenilir hale getirerek ilaç keşfi, malzeme tasarımı ve temel fizik gibi alanlarda yenilik potansiyeli sunuyor; mevcut bilgisayarlarla milyarlarca yıl sürecek problemleri birkaç saat içinde çözebilir
- Ancak kuantum işlemciler, geleneksel işlemcilere göre gürültüye daha açık. Kuantum bilgisayarların güvenilirliğini artırmak için hataların doğru biçimde belirlenip düzeltilmesi gerekiyor
- AlphaQubit, kuantum bilgisayarların büyük ölçekli hesaplamalar yapabilmesi için hassas hata belirleme yeteneği sunuyor ve bu da bilimsel atılımlar için gerekli bir adım
Kuantum hesaplamada hata düzeltme
- Kuantum bilgisayarlar, süperiletkenlik ve dolanıklık gibi maddenin benzersiz özelliklerinden yararlanarak karmaşık problemleri geleneksel bilgisayarlardan daha hızlı çözebilir
- Ancak kuantum bitlerin (
qubit) doğal durumu; ısı, titreşim, elektromanyetik girişim, kozmik ışınlar ve benzeri çeşitli etkenler nedeniyle kolayca bozulabilir
- Kuantum hata düzeltme teknikleri, birden fazla fiziksel qubit'i gruplayarak tek bir mantıksal qubit oluşturur ve tutarlılık kontrolleriyle hataları belirleyip düzeltir
- AlphaQubit, bu tutarlılık kontrolü verilerini kullanarak hataları algılayan sinir ağı tabanlı bir decoder görevi görür
Sinir ağı tabanlı decoder AlphaQubit'in geliştirilmesi
- AlphaQubit, Google tarafından geliştirilen Transformer mimarisini kullanarak tutarlılık kontrollerine dayanıp hataları tahmin eden sinir ağı tabanlı bir decoder'dır
- Sycamore kuantum işlemcisinde üretilen verilerle milyonlarca hata örneği üzerinde eğitilerek doğruluğu artırıldı
- Mevcut decoder'larla karşılaştırıldığında AlphaQubit:
- tensor network tabanlı decoder'a kıyasla %6 daha düşük hata oranı kaydetti (tensor network doğru ama verimsizdir)
- hızlı ve doğru correlated matching yöntemine göre %30 daha düşük hata oranına ulaştı
AlphaQubit'in ölçeklenebilirliği ve gelecekteki potansiyeli
- AlphaQubit, bugün kullanılabilen sistemlerin ötesine geçen, 241 qubit ve üzeri verilerle yapılan simülasyonlarda üstün performans gösterdi
- Daha büyük sistemlerde de AlphaQubit yüksek doğruluğunu korudu ve orta ölçekli kuantum cihazlarda da iyi çalışabileceğine işaret etti
- AlphaQubit ayrıca giriş ve çıkışta güven düzeyi raporlayabilme özelliği sunarak gelecekte kuantum işlemci performansının artırılmasını destekleyebilir
- 100.000 turdan fazla hata düzeltme simülasyonunda kararlı performansını koruyarak eğitim verisinin ötesine genelleme yapabildiğini gösterdi
Pratik kuantum hesaplamaya giden yolda zorluklar
- AlphaQubit, kuantum hata düzeltmede makine öğrenmesinin potansiyelini gösteren önemli bir dönüm noktası oluşturuyor
- Ancak gerçek zamanlı hata düzeltme için hız sorunları ve veri verimliliği yüksek eğitim yöntemlerinin iyileştirilmesi gibi çözülmesi gereken meseleler hâlâ var
- Google ekibi, güvenilir kuantum bilgisayarlar geliştirme hedefiyle makine öğrenmesi ve kuantum hata düzeltme alanındaki öncü ilerlemeleri bir araya getiriyor
1 yorum
Hacker News görüşleri
Kuantum belleği korunurken, kuantum hata düzeltme kodunun parite kontrolleri ölçülür. Bu parite kontrolleri, mantıksal durum hakkında değil hatalar hakkında kısmi bilgi içerir ve mantıksal kuantum bilgisi bu süreç boyunca tutarlılığını korur.
Bu ölçümler klasik veridir ve ölçülen sendromdan kaynaklanan en olası hatayı çıkarsamak için hesaplama gerekir. Bu sürece decoding denir.
Bu çalışma, çok yaygın bir kuantum kodu olan surface code için bir decoding algoritması olarak işleyen bir modeldir. Surface code, tekrar kodunun kuantum benzeri gibidir.
AlphaQubit, sendrom girdisine dayanarak mantıksal gözlemlenebilirlerdeki hataları tahmin eden, recurrent transformer tabanlı bir sinir ağı mimarisidir. Bu ağ, simülasyon örnekleriyle önceden eğitilip sınırlı miktarda deneysel örnekle ince ayar yapılarak Sycamore surface code deneyini önceki tüm decoder'lardan daha doğru biçimde decode eder.
Surface code'da tek bir hata düzeltme turunda, X ve Z stabilizer bilgisi decoder'ın iç durumunu günceller ve her stabilizer için bir vektör olarak kodlanır. İç durum, attention ve convolution içeren syndrome transformer sinir ağının birden çok katmanı tarafından değiştirilir.
Makale ve atıf yapılan şekiller dışında mimariye dair ayrıntılı bir açıklama bulunamadığı yönünde bir görüş var. Google'ın 2017'den beri ML metodolojilerini kolay erişilebilir şekilde paylaşmadığı da belirtiliyor.
Özünde, hataya açık bir hesaplamanın başka bir hataya açık hesaplama tarafından düzeltildiği yönünde bir görüş var.
Klasik bir sistemin kuantum sistemdeki hataları nasıl tespit edip düzeltebildiğine dair soru işaretleri dile getiriliyor. Tüm kuantum hata düzeltme algoritmalarının kübit tabanlı olduğu düşünülüyordu.
Kuantum bilişim ve yapay zeka açıkça hype'ın zirvesinde.
Yapay zeka hype'ından şikayet edecek pek bir şey olmadığı yönünde bir görüş var. Yapay zekayla ilgili tek kısmın yarı meşru duyulduğu da söyleniyor.
Tüm bunlar geçmişteki "bilgisayarla birlikte" patentleri gibi hissettiriyor.
Şimdi buraya kripto parayı da entegre ederseniz neredeyse tamamlanmış olur diye şaka yapılıyor.
Kuantum bilgisayarlar hakkında çok bilgili olunmasa da bunun ilginç olduğu söyleniyor. Kuantum bilgisayar parça listesinde her şeyin gerektiği ve çok sayıda GPU gerektiği yönünde bir görüş var.
Uzun süredir denense de kuantum bilişimin nasıl çalıştığının hâlâ anlaşılmadığı söyleniyor. Genellikle tüm olası kombinasyonların denendiği ve cevabın öyle bulunduğu şeklinde açıklanıyor.