Google-ის კვანტური კომპიუტერი შეცდომებიდან სწავლობს

Google-ის კვლევითმა გუნდმა წარადგინა მიდგომა, რომლის მიხედვითაც კვანტური კომპიუტერი უწყვეტად ეგუება აპარატურულ ცვლილებებს და გამოთვლის შეჩერება აღარ სჭირდება. იდეა შედარებით მარტივია: განმამტკიცებელი სწავლების (reinforcement learning) აგენტი კითხულობს კვანტური შეცდომების კორექციის მონაცემებს და რეალურ დროში არეგულირებს მართვის პარამეტრებს. ექსპერიმენტში ამან ლოგიკური სტაბილურობა 3.5-ჯერ გააუმჯობესა.

კვლევა Nature-ში გამოქვეყნდა სათაურით “Reinforcement learning control of quantum error correction”. ავტორები Volodymyr Sivak და Paul Klimov Google Quantum AI-ის მკვლევრები არიან, სამუშაო კი Google Research-მა Google DeepMind-ის გუნდებთან ერთად შეასრულა.

სარჩევი

• რატომ სჭირდება კვანტურ კომპიუტერს მუდმივი კალიბრაცია
• შეცდომების კორექცია იძლევა სიგნალს, მაგრამ არა მიზეზს
• რატომ არ ჰყოფნის ფიზიკური მოდელები
• აგენტი, რომელიც შეცდომების ნაკადიდან სწავლობს
• რა აჩვენა ექსპერიმენტმა Willow-ის ჩიპზე
• მასშტაბირდება თუ არა დიდ სისტემებზე
• რას ნიშნავს ეს კვანტური კომპიუტერის განვითარებისთვის
• სხვა თემები

რატომ სჭირდება კვანტურ კომპიუტერს მუდმივი კალიბრაცია

კვანტური პროცესორები ფაქტობრივად ანალოგური მანქანებია. კუბიტებს მართავს ანალოგური სიგნალები – სიხშირეები, ამპლიტუდები და ფაზები – და ეს პარამეტრები დროთა განმავლობაში ნელა იცვლება. ამ ცვლილებას დრიფტი ჰქვია.

დღემდე ერთადერთი გამოსავალი პერიოდული ხელახალი კალიბრაციაა. პრობლემა ისაა, რომ კალიბრაციისთვის გამოთვლა სრულად უნდა შეწყდეს. Google-ის ბლოგში ამას სიმფონიურ ორკესტრს ადარებენ, რომელიც ყოველ რამდენიმე ტაქტში ჩერდება ინსტრუმენტების ასაწყობად.

რეალური ალგორითმებისთვის ეს სერიოზული ბარიერია. სასარგებლო კვანტური გამოთვლა შეიძლება დღეებს ან თვეებს მოითხოვდეს, ხოლო ყოველი იძულებითი პაუზა ამ პერსპექტივას ეჭვქვეშ აყენებს.

შეცდომების კორექცია იძლევა სიგნალს, მაგრამ არა მიზეზს

კვანტურ სისტემაში პრობლემის აღმოჩენა ტრივიალური არაა. კუბიტის პირდაპირი გაზომვა სუპერპოზიციას ანგრევს, ანუ თავად შემოწმება ანადგურებს იმ ინფორმაციას, რომლის დაცვასაც ცდილობ.

ამიტომ გამოიყენება კვანტური შეცდომების კორექცია. მრავალი ფიზიკური კუბიტისგან იქმნება ერთი ლოგიკური კუბიტი, ხოლო სპეციალური პარიტეტული შემოწმებები ანალოგურ ხმაურს ბინარულ სიგნალებად გარდაქმნის. ეს სიგნალები აჩვენებს, რომ შეცდომა მოხდა სივრცე-დროის რომელიღაც არეში, თუმცა ზუსტ ადგილს არ ასახელებს.

ლოკაციის დასადგენად საჭიროა დეკოდერები. Google იყენებს როგორც ნეირონულ დეკოდერს AlphaQubit-ს, ისე ალგორითმულ Tesseract-ს. მაგრამ დეკოდერი მხოლოდ ასწორებს შეცდომას და არ პასუხობს კითხვას, თუ რატომ მოხდა ის.

რატომ არ ჰყოფნის ფიზიკური მოდელები

ყველა შეცდომა ერთნაირი არაა. ნაწილი გარემოსთან სისტემის გარდაუვალი ურთიერთქმედებით არის გამოწვეული და დეკოჰერენციამდე მიდის – პროცესამდე, რომელიც მაკროსკოპულ კვანტურ სუპერპოზიციას ანგრევს და კვანტურ მანქანას კლასიკურად აქცევს. ამ ტიპის შეცდომების სრულად აღმოფხვრა შეუძლებელია.

მეორე ნაწილი კი არაზუსტი კალიბრაციისა და აპარატურული დრიფტის შედეგია. სწორედ ესაა ის ნაწილი, რომელზეც ინჟინერს რეალური გავლენა აქვს.

ისტორიულად კვანტური კალიბრაცია ფიზიკურ მოდელებს ეყრდნობოდა, რომლებიც ათწლეულების განმავლობაში იხვეწებოდა. ავტორები აღნიშნავენ, რომ ხელით აგებული მოდელები სხვა დარგებშიც ჭერს აწყდებოდნენ: კომპიუტერული ხედვა მკაცრ გეომეტრიულ წესებზე დაყრდნობით შეჩერდა, რობოტიკას კინემატიკური განტოლებები კონტაქტისა და ხახუნის რეალობაზე ვერ მიუყენებია, ცილის დაკეცვის პროგნოზი კი AlphaFold-მდე დიდწილად გადაუჭრელი რჩებოდა.

თითოეულ შემთხვევაში გარღვევა მაშინ დადგა, როცა მიდგომა პირდაპირ მონაცემებიდან სწავლაზე გადავიდა. პროცესორების ხარისხის ზრდასთან ერთად მათი შეცდომები სულ უფრო რთული ფენომენებით განისაზღვრება, რომელთა კლასიკური მოდელირებაც სულ უფრო ძნელდება.

აგენტი, რომელიც შეცდომების ნაკადიდან სწავლობს

სწორედ აქ ერთვება განმამტკიცებელი სწავლება. კვანტური შეცდომების კორექცია ისედაც წარმოქმნის დეტექციის მოვლენების უწყვეტ ნაკადს, ამიტომ გუნდმა ეს მონაცემები დამატებითი დანიშნულებით გამოიყენა.

დეკოდირების პარალელურად იგივე მონაცემები აგენტისთვის სასწავლო სიგნალად იქცა. აგენტი აკვირდება დეტექციის მოვლენებს და სწავლობს ათასობით მართვის პარამეტრის დინამიკურ მართვას ისე, რომ დრიფტი წინასწარ იყოს კომპენსირებული და ახალი შეცდომები აღარ გაჩნდეს.

ორკესტრის ანალოგიით: ინსტრუმენტების აწყობა ხდება მაშინ, როცა მუსიკა უკვე უკრავს.

რა აჩვენა ექსპერიმენტმა Willow-ის ჩიპზე

ტესტირება Google-ის ზეგამტარ პროცესორ Willow-ზე ჩატარდა. მკვლევრებმა სისტემაში განზრახ შეიტანეს ხელოვნური დრიფტი, რომ მიდგომა რეალურ სტრესში შეემოწმებინათ.

ძირითადი შედეგები:

• შემასწორებელი კოდის ლოგიკური სტაბილურობა 3.5-ჯერ გაუმჯობესდა, ანუ გაიზარდა დრო, რომლის განმავლობაშიც პროცესორი საიმედო კვანტურ მეხსიერებად მუშაობს
• ექსპერტული, ხელით ჩატარებული კალიბრაციის შემდეგაც კი RL-ით დამატებითმა დაზუსტებამ ლოგიკური შეცდომის მაჩვენებელი კიდევ 20%-ით შეამცირა
• ზედაპირულ კოდში (surface code) ლოგიკური შეცდომა ათას შემასწორებელ ციკლზე ერთზე ნაკლებია
• ფერად კოდში (color code) – ასზე ერთი

ბოლო ორი ციფრი Google-ის მიხედვით რეკორდულად დაბალი მაჩვენებელია კვანტური მეხსიერებისთვის.

განსაკუთრებით საინტერესოა 20%-იანი ნაწილი. ის ნიშნავს, რომ აგენტმა გაუმჯობესების სივრცე იქ იპოვა, სადაც გამოცდილმა ფიზიკოსებმა თავიანთი მეთოდები უკვე ამოწურეს.

მასშტაბირდება თუ არა დიდ სისტემებზე

მთავარი კითხვა, რომელიც ასეთ შედეგებს ყოველთვის მოსდევს, მასშტაბირებას ეხება. გუნდმა ჩაატარა რიცხვითი სიმულაციები ასობით კუბიტითა და ათეულ ათასობით მართვის პარამეტრით.

სიმულაციებმა აჩვენა, რომ საჭირო სასწავლო იტერაციების რაოდენობა სისტემის ზომაზე დამოკიდებული არ არის. მიზეზი ისაა, რომ დეტექციის მოვლენები შეცდომებზე ლოკალურად რეაგირებენ, ანუ დიდი პროცესორი ბევრჯერ მეტ სასწავლო დროს არ მოითხოვს.

ავტორები აღნიშნავენ, რომ ჩარჩოს სრული პოტენციალი უფრო მჭიდრო ინტეგრაციას საჭიროებს. კონკრეტულად, აგენტსა და პროცესორს შორის კომუნიკაციის ციკლის დაჩქარებას და უფრო მოწინავე მანქანური სწავლების მეთოდებს.

რას ნიშნავს ეს კვანტური კომპიუტერის განვითარებისთვის

მნიშვნელოვანია შედეგის მასშტაბის სწორად გაგება. ეს არ არის განაცხადი პრაქტიკულ კვანტურ უპირატესობაზე და არც სასარგებლო ალგორითმის გაშვებაზე.

ეს ოპერაციული ბარიერის მოხსნაა. თუ კალიბრაცია გამოთვლის პარალელურად მიმდინარეობს, კვანტური კომპიუტერი პრინციპში შეიძლება გაცილებით დიდხანს მუშაობდეს შეუფერხებლად, რაც ხანგრძლივი ალგორითმებისთვის აუცილებელი პირობაა.

თვალშისაცემია ზოგადი ტენდენციაც. AlphaQubit-მა უკვე გადააჭარბა ალგორითმულ დეკოდერებს სიზუსტეში, ახლა კი მანქანური სწავლება მართვის ფენაშიც შედის. კვანტურ ინჟინერიაში ხელით აგებული ფიზიკური მოდელები თანდათან ადგილს უთმობს სისტემებს, რომლებიც პირდაპირ მონაცემებიდან სწავლობენ.

ავტორები საკუთარ დასკვნას ასე აყალიბებენ: მიზანი ისეთი კვანტური კომპიუტერია, რომელიც შეცდომებიდან სწავლობს და გამოთვლას არ წყვეტს.

AI წაიკითხე მეტი როგორ მუშაობს ხელოვნური ინტელექტი AI-ის, დიდი ენობრივი მოდელებისა და ნეირონული ქსელების ახსნა ქართულ ენაზე. →