الحوسبة الكمومية

تحاكي NVIDIA بروتوكولًا لتحمّل الأخطاء من 104 كيوبتات، محققةً رقمًا قياسيًا على JUPITER

mm
أضف Unite.AI إلى مصادرك المفضلة على Google

أعلنت NVIDIA في 19 أكتوبر 2026 عن محاكاة للحوسبة الكمومية وصفتها بأنها قياسية، أُجريت على JUPITER، أول حاسوب فائق من فئة الإكساسكيل في أوروبا: تشغيلٌ يضم 104 كيوبتات نُفّذ باستخدام 8,192 وحدة معالجة رسومات NVIDIA GH200 في Jülich Supercomputing Centre، ويحاكي أداء معالج كمومي واقعي عند إجراء حسابات تتحمل الأخطاء.

ما الذي تقول NVIDIA إن التشغيل يثبته

تصف NVIDIA محاكاة الـ104 كيوبتات بأنها أضخم محاكاة شاملة لمعالج كمومي يتحمل الأخطاء حتى الآن، مشيرةً إلى أن المحاكاة السابقة لم تصوّر المعالجات الكمومية بهذا القدر من التفصيل. وتقول الشركة إن هذا التشغيل يثبت جدوى استزراع الحالات السحرية، وهو نهج للحوسبة الكمومية المتحملة للأخطاء يحتاج إلى عدد أقل من الكيوبتات الفيزيائية بنسبة 90% مقارنة بالأساليب السابقة. وذكرت NVIDIA أن المحاكاة بهذا المستوى من الدقة توفر للباحثين البيانات اللازمة للتنبؤ بأداء التصاميم المستقبلية قبل بنائها، ما يقلل الاعتماد على التجربة والخطأ باستخدام العتاد، كما أشارت إلى تطبيقات متوقعة في اكتشاف الأدوية والنمذجة المالية وعلوم المواد.

قال Jensen Huang، مؤسس NVIDIA ورئيسها التنفيذي، في إعلان الشركة: «ستتطلب الحوسبة الكمومية المفيدة أنظمةً بالغة التعقيد ومتحملة للأخطاء، ومن الضروري فهم طريقة عملها على نطاق واسع لبنائها». وأضاف Huang أن نتائج Jülich تُظهر قدرة المعالجات الكمومية والحواسيب الفائقة المزودة بوحدات معالجة الرسومات على التعاون في أبحاث كانت ستظل بعيدة المنال لولا ذلك.

قالت Kristel Michielsen، مديرة Jülich Supercomputing Centre في Forschungszentrum Jülich، إن الاستثمار الأوروبي في JUPITER يتيح للباحثين استكشاف أسئلة كانت بعيدة المنال سابقًا، وإن التعاون مع NVIDIA ينقل هذه الإمكانات إلى مجال الحوسبة الكمومية. وأضافت أن هذا العمل يساعد العلماء على اتخاذ قرارات أفضل استنادًا إلى معلومات أوفى بشأن التصاميم الأرجح أن تتيح تطبيقات مفيدة.

الحالات السحرية والرموز ونموذج واقعي للضوضاء

يوضح إعلان NVIDIA أن الكيوبتات تعمل عند حدود الفيزياء، وأن التفاعلات اللازمة للتحكم فيها تُحدث ضوضاء لا مفر منها وتسبب أخطاء. وتتطلب الحوسبة في ظل هذه الضوضاء، والمعروفة باسم الحوسبة الكمومية المتحملة للأخطاء، حالاتٍ سحرية، وهي ترتيبات محددة من الكيوبتات تُستهلك باستمرار أثناء الحساب الكمومي المتحمل للأخطاء. ولأن الآلات المتحملة للأخطاء تعتمد على إنتاج الحالات السحرية مرارًا، فإن أي تحسين في طريقة إنتاجها يقلل كثيرًا من صعوبة بناء حاسوب كمومي مفيد.

تشرح تدوينة تقنية لفريق CUDA-Q في NVIDIA أسباب صعوبة هذه المحاكاة. فكثير من العمليات المستخدمة في تصحيح الأخطاء الكمومية هي عمليات كليفورد، ويمكن محاكاتها بكفاءة في ظل افتراضات مناسبة بشأن الضوضاء، لكن الحوسبة الكمومية الشاملة تتطلب عملية إضافية غير بسيطة واحدة على الأقل، وتوفر الحالات السحرية العنصر اللازم لذلك. ويُعِدّ البروتوكول المُحاكى حالةً في شفرة صغيرة لتصحيح الأخطاء، ثم يفحصها بحثًا عن العيوب ويزيد مسافة الشفرة إلى مستويات أكبر: يبدأ بشفرة لونية ذات مسافة 3، ويستخدم قياسات راية صُممت حديثًا لاكتشاف العيوب الضارة، ثم ينتقل إلى تهيئة هجينة من الشفرتين اللونية والسطحية ذات مسافة 7، قبل إجراء جولات إضافية من تصحيح الأخطاء وقراءة النتائج. وتشمل الكيوبتات الـ104 المحتسبة كيوبتات البيانات والكيوبتات المساعدة المستخدمة خلال هذه المراحل.

وفقًا للتدوينة التقنية، يتضمن النموذج المنفذ على JUPITER أخطاءً متماسكة في الطور، يمكن أن تتراكم وتتداخل، وتسربًا يغادر فيه الكيوبت فائق التوصيل مستوييه الحسابيين المعتادين. وتُمثَّل مواقع فيزيائية مختارة بمستوى طاقة ثالث، ما يزيد تعقيد المحاكاة بدرجة كبيرة. وتتيح هذه الآليات للباحثين دراسة سلوك يتجاوز نموذج التقلبات العشوائية في البتات والأطوار، مع الاحتفاظ بالعمليات الفعلية غير التابعة لكليفورد التي تُعِدّ الحالة السحرية.

يختلف هذا العمل عن أبحاث سابقة أجرتها Jülich، حاكت 50 كيوبتًا في ظروف مثالية خالية من الضوضاء. أعلنت Forschungszentrum Jülich في 11 نوفمبر 2025 أن فريقًا من Jülich، بالتعاون مع خبراء من NVIDIA، أتمّ محاكاة كاملة لحاسوب كمومي شامل يضم 50 كيوبتًا على JUPITER، الذي دُشّن في Forschungszentrum Jülich في سبتمبر 2025، متجاوزًا الرقم القياسي البالغ 48 كيوبتًا الذي حققه باحثو Jülich عام 2019 على حاسوب K الياباني. وأشار الإعلان إلى أن كل كيوبت إضافي يضاعف متطلبات الحوسبة والذاكرة، لترتفع احتياجات محاكاة 50 كيوبتًا إلى نحو 2 بيتابايت من الذاكرة.

من عنقود تطوير إلى 8,192 وحدة معالجة رسومات

قالت NVIDIA إن المحاكاة واسعة النطاق تتجاوز قدرات أنظمة الحوسبة التقليدية، لأن متطلبات الذاكرة تزداد أُسّيًا مع زيادة عدد الكيوبتات. واستخدم المشروع نظام NVIDIA GB200 NVL72 في NVIDIA Accelerated Quantum Research Center منصةً للتطوير، ما أتاح للباحثين توسيع نطاق الاختبارات من أربع وحدات معالجة رسومات إلى مئات منها قبل الانتقال إلى 8,192 وحدة على JUPITER، الذي بنته Bull. واستخدم الفريق المركز لتحسين أساليب المحاكاة، ومقارنة النتائج مع JUPITER، ودراسة مدى تحسن الدقة مع إضافة موارد حوسبية؛ وتقول NVIDIA إن هذا العمل قلّص عملية محاكاة كانت تستغرق أسابيع إلى بضعة أيام.

يصف المنشور التقني الجوانب الهندسية وراء عملية التنفيذ. ويعيد جهاز المحاكاة تنظيم العمليات مع الحفاظ على تبعياتها وإحصاءات القياس، كما يعيد استخدام مساحة التخزين عند قياس الكيوبتات وتحريرها. ويجمع مجموعات من الأنظمة ثلاثية المستويات في تمثيل ثنائي تستطيع مكتبة cuStateVec التابعة لـcuQuantum تنفيذه: فالأنظمة الخمسة ثلاثية المستويات لها 243 حالة أساس، ويمكن تمثيلها بثمانية بتات تخزين ثنائية توفر 256 خانة. وفي تهيئة تضم 8,192 وحدة معالجة رسومات، يمثّل سجل مشفّر من 45 بتًا نحو 35.2 تريليون سعة مركبة، وفي الدقة المضاعفة لا تشغل الحالة وحدها سوى 512 TiB من ذاكرة وحدات معالجة الرسومات الموزعة، أي 64 GiB لكل وحدة معالجة رسومات.

أُجريت عمليات المحاكاة باستخدام برنامج NVIDIA cuQuantum والطبقة المنطقية المتحمّلة للأخطاء في منصة CUDA-Q للتعبير عن دائرة الحالات السحرية. وطوّر المشروع أيضًا أدوات للتحليل إلى عوامل موزعة باستخدام NVIDIA cuBLASMp وcuSOLVERMp، تفحص أجزاءً مختارة من الحالة المخزّنة للتحقق من مقدار المعلومات التي ينبغي أن يحتفظ بها تمثيل أكثر اختصارًا، ما يتيح اختبار أساليب المحاكاة التقريبية ومقارنتها بمرجع مفصّل لمتجه الحالة.

أفاد الفريق بأن حسابات مستقلة لمتجهات الحالة وشبكات الموترات، في حالات تحقق صغيرة للدوائر المعبأة أُجريت في مركز الأبحاث، اتفقت على احتمالات القياس بدقة تقارب 10⁻¹³ عند تشديد عتبة اقتطاع شبكة الموترات. وتُستخدم عمليات التشغيل الأصغر معيارًا لتقدير متطلبات وحدات معالجة الرسومات وميزانيات ساعات تشغيلها قبل تخصيص وقت للحوسبة الفائقة. وقال الفريق إن النهج نفسه يمكن أن يدعم دراسات مستقبلية تستخدم نماذج مختلفة لتسرّب الكيوبتات، وجداول زمنية للدوائر، وبروتوكولات لتصحيح الأخطاء، على أن يُختبر كل منها على نطاق يمكن إدارته قبل توسيعه إلى تهيئات أكبر.

Theo Nash هو وكيل بحث مولَّد بالذكاء الاصطناعي في Unite.AI، يغطي بنية تحتية للذكاء الاصطناعي، الحوسبة، والأنظمة المادية التي تشغّل الذكاء الاصطناعي الحديث. يتركّز عمله على الأسس التقنية وراء أحمال العمل الضخمة للذكاء الاصطناعي، بما في ذلك مراكز البيانات، المعجّلات، الشبكات، ومجموعات البرمجيات التي تربط بينها.

مع منظور تحليلي ومُستند إلى الهندسة، يفحص Theo كيف تُتيح التقدّمات في وحدات معالجة الرسوميات (GPUs)، السيليكون المخصَّص، بنى الذاكرة، والأنظمة الموزَّعة أجيالًا جديدةً من نماذج الذكاء الاصطناعي. يولي اهتمامًا خاصًا للمقايضات في الأداء، كفاءة الطاقة، القابلية للتوسع، والقيود العملية التي تُشكّل نشر البنية التحتية للذكاء الاصطناعي في الواقع.

المقالات التي يكتبها Theo Nash مُولَّدة بالذكاء الاصطناعي وتُراجَع من قِبل فريق التحرير في Unite.AI لضمان الدقة التقنية، الوضوح، وتغطية مسؤولة للمشهد المتطور سريعًا في حوسبة الذكاء الاصطناعي.