- O AlphaQubit, desenvolvido em conjunto pelo Google DeepMind e pela equipe Quantum AI, identifica com precisão erros dentro de computadores quânticos usando IA
- Essa tecnologia pode tornar os computadores quânticos mais confiáveis, abrindo possibilidades de inovação em descoberta de medicamentos, projeto de materiais e física fundamental, além de resolver em poucas horas problemas que levariam bilhões de anos em computadores convencionais
- No entanto, processadores quânticos são mais vulneráveis a ruído do que processadores convencionais. Para aumentar a confiabilidade dos computadores quânticos, é preciso identificar e corrigir erros com precisão
- O AlphaQubit fornece uma capacidade precisa de identificação de erros para que computadores quânticos possam realizar cálculos em grande escala, um passo essencial para avanços científicos
Correção de erros em computação quântica
- Computadores quânticos podem resolver problemas complexos mais rapidamente do que computadores convencionais ao explorar propriedades únicas da matéria, como supercondutividade e emaranhamento
- No entanto, o estado natural dos qubits é facilmente perturbado por diversos fatores, como calor, vibração, interferência eletromagnética e raios cósmicos
- A tecnologia de correção de erros quânticos agrupa vários qubits físicos para formar um qubit lógico e identifica e corrige erros por meio de verificações de consistência
- O AlphaQubit atua como um decodificador baseado em rede neural que usa esses dados de verificação de consistência para detectar erros
Desenvolvimento do AlphaQubit, um decodificador baseado em rede neural
- O AlphaQubit é um decodificador baseado em rede neural que utiliza a arquitetura Transformer, desenvolvida pelo Google, para prever erros com base nas verificações de consistência
- Ele aumentou sua precisão ao aprender com milhões de exemplos de erros usando dados gerados no processador quântico Sycamore
- Em comparação com decodificadores existentes, o AlphaQubit:
- registrou uma taxa de erro 6% menor do que um decodificador baseado em tensor network (redes de tensores são precisas, mas ineficientes)
- alcançou uma taxa de erro 30% menor do que o método correlated matching, que é rápido e preciso
Escalabilidade e potencial futuro do AlphaQubit
- O AlphaQubit apresentou excelente desempenho em simulações com dados de 241 qubits ou mais, indo além dos sistemas disponíveis atualmente
- Em sistemas maiores, o AlphaQubit ainda mantém alta precisão, sugerindo que também pode funcionar bem em dispositivos quânticos de porte intermediário
- O AlphaQubit também oferece a capacidade de reportar níveis de confiança na entrada e na saída, o que pode ajudar a melhorar o desempenho de futuros processadores quânticos
- Ele manteve desempenho estável em simulações de correção de erros com mais de 100.000 rodadas, demonstrando capacidade de generalização além dos dados de treinamento
Desafios rumo à computação quântica prática
- O AlphaQubit estabelece um marco importante ao mostrar o potencial do aprendizado de máquina na correção de erros quânticos
- Ainda assim, permanecem desafios a serem resolvidos, como questões de velocidade para correção de erros em tempo real e melhorias em métodos de treinamento com maior eficiência de dados
- A equipe do Google pretende combinar avanços de ponta em aprendizado de máquina e correção de erros quânticos para desenvolver computadores quânticos confiáveis
1 comentários
Opiniões do Hacker News
Ao manter a memória quântica, mede-se a verificação de paridade do código de correção de erros quânticos. Essas verificações de paridade contêm informações parciais sobre erros, e não sobre o estado lógico, de modo que a informação quântica lógica mantém sua coerência ao longo desse processo.
Essas medições são dados clássicos, e é necessário computar para inferir o erro mais provável causado pela síndrome medida. Esse processo é chamado de decodificação.
Este estudo é um modelo que atua como algoritmo de decodificação para o código de superfície, um código quântico muito comum. O código de superfície é como o análogo quântico do código de repetição.
O AlphaQubit é uma arquitetura de rede neural baseada em transformador recorrente que prevê erros em observáveis lógicos com base na entrada de síndromes. Essa rede é pré-treinada com amostras de simulação e ajustada com uma quantidade limitada de amostras experimentais, decodificando o experimento do código de superfície Sycamore com mais precisão do que qualquer decodificador anterior.
Em uma rodada de correção de erros no código de superfície, as informações dos estabilizadores X e Z atualizam o estado interno do decodificador, sendo codificadas como vetores para cada estabilizador. O estado interno é modificado por várias camadas de uma rede neural transformadora de síndromes que inclui atenção e convolução.
Há comentários de que, além do artigo e das figuras referenciadas, não foi possível encontrar uma explicação detalhada da arquitetura. Também apontam que, desde 2017, o Google não tem disponibilizado facilmente sua metodologia de ML.
Há a opinião de que, em essência, um cálculo inerentemente propenso a erros está sendo corrigido por outro cálculo também propenso a erros.
Levanta-se a dúvida de como um sistema clássico pode detectar/corrigir erros em um sistema quântico. A pessoa achava que todos os algoritmos de correção de erros quânticos eram baseados em qubits.
Computação quântica e IA estão claramente no auge do hype.
Há opiniões de que não há muito do que reclamar sobre o hype de IA. Também se comenta que este é o único elemento relacionado a IA que soa meio legitimamente plausível.
Dá a sensação de que tudo isso é como as antigas patentes de "com computador".
Há uma piada de que, se agora integrarem criptomoeda a isso, estará quase completo.
Há quem diga que não entende muito de computadores quânticos, mas acha interessante. Também comentam que, pela lista de componentes de um computador quântico, tudo parece necessário e que seriam precisas muitas GPUs.
Há quem diga que tenta há muito tempo, mas ainda não consegue entender como a computação quântica funciona. A explicação costuma soar como se ela tentasse todas as combinações possíveis e então obtivesse a resposta.