Naukowcy Google znaleźli sposób na niestabilność komputerów kwantowych. Pomogła sztuczna inteligencja
Budowa procesorów kwantowych to jedno z największych wyzwań współczesnej nauki. Oprócz barier fizycznych, związanych z produkcją kubitów, inżynierowie mierzą się z problemem utraty kalibracji. Być może mamy rozwiązanie.
Pod wpływem czynników zewnętrznych, takich jak nagrzewanie się aparatury podczas pracy, parametry kontrolne maszyn ulegają mikroprzesunięciom, co generuje błędy i przerywa obliczenia. Zespół badawczy Google ogłosił rozwiązanie tego problemu, wykorzystując uczenie maszynowe do kalibracji procesora w czasie rzeczywistym.
Dla rozwoju technologii to krok milowy. Do tej pory uruchomienie skomplikowanego algorytmu, np. do łamania współczesnego szyfrowania, wymagało zatrzymania pracy maszyny i jej ponownego nastrojenia. Nowe odkrycie pozwala na bezprzerwowe wykonywanie długich procesów matematycznych, przybliżając nas do momentu, w którym komputery kwantowe wyjdą z fazy laboratoryjnej do komercyjnych zastosowań.
Ukryty problem fizyki kwantowej: rozjeżdżanie się aparatury
Większość współczesnych komputerów kwantowych, w tym Sycamore od Google, bazuje na kubitach nadprzewodzących typu transmon. Steruje się nimi za pomocą precyzyjnie wymierzonych impulsów mikrofalowych. Sygnały te są generowane przez klasyczną aparaturę komputerową, która znajduje się na zewnątrz kriostatu, czyli specjalnej lodówki chłodzącej procesor do temperatur bliskich zeru absolutnemu.
Wraz z upływem czasu i intensywnością obliczeń zewnętrzny sprzęt sterujący zaczyna się nagrzewać. Ta drobna zmiana temperatury wystarczy, aby fale mikrofalowe minimalnie zmieniły swoją częstotliwość i amplitudę. Zjawisko to, nazywane dryfem kalibracyjnym, sprawia, że impulsy przestają trafiać w idealne punkty rezonansowe kubitów. W efekcie maszyna zamiast poprawnych wyników zaczyna generować szum informacyjny.
Wykorzystanie danych naprawczych do strojenia procesora
Współczesne systemy kwantowe posiadają wbudowane protokoły korekcji błędów, które stale monitorują stan kubitów fizycznych. Zespół Google zauważył, że błędy wynikające z rozkalibrowania aparatury zostawiają w systemie bardzo konkretne ślady: „błędy z niedoskonałej kalibracji generują wykrywalne syndromy, dokładnie tak jak wszystkie inne błędy”. Teoretycznie te same mechanizmy obronne mogłyby służyć do automatycznego naprawiania problemu.
Wyzwanie polegało jednak na odróżnieniu losowych błędów kwantowych od tych wywołanych dryfem temperatury sprzętu sterującego. Inżynierowie rozwiązali ten dylemat, zaprzęgając do pracy algorytm uczenia przez wzmacnianie (ang. reinforcement learning). Podczas obliczeń system celowo wprowadza mikroskopijne zaburzenia do parametrów kontrolnych, analizuje statystyki błędów i na tej podstawie uczy się, jak optymalnie zarządzać układem.
Skuteczność wyższa o 20 procent
Nowe rozwiązanie przetestowano w praktyce na procesorze sterującym dwoma kubitami logicznymi, wykorzystującymi dwa różne kody korekcji (kod powierzchniowy oraz kod kolorowy). Uruchomienie algorytmu sztucznej inteligencji działającego w tle pozwoliło zwiększyć zdolność wykrywania i naprawiania błędów o 20 procent.
Konstruktorzy sprawdzili system również pod kątem klasycznego dylematu eksploracji i eksploatacji. Ponieważ algorytm stale testuje nowe ustawienia w trakcie obliczeń, maszyna przez ułamek czasu pracuje w warunkach suboptymalnych (czyli potocznie: nieidealnych, ale wciąż wystarczająco dobrych, by system działał). Symulacje wykazały jednak, że ciągłe mikro-korekty przynoszą znacznie więcej korzyści niż ryzyko dopuszczenia do całkowitego rozregulowania procesora kwantowego. System sprawdził się w czasie rzeczywistym przy zarządzaniu układem kontrolującym około 40 000 parametrów.
Odkrycie zaprezentowane na łamach czasopisma „Nature” nie odmieni obecnych komputerów z dnia na dzień, ponieważ dzisiejsze algorytmy są jeszcze zbyt krótkie, by dryf temperatury stał się barierą nie do przejścia. Stanowi ono jednak gotowy fundament pod architekturę przyszłych maszyn, które będą wykonywać operacje liczone w godzinach lub dniach.
