Quantinuum تعلن عن دقة للذاكرة المنطقية تبلغ 99.9995% على Helios

أعلنت Quantinuum عن نتيجة في تصحيح الأخطاء الكمومية تسلط الضوء على أحد المتطلبات الأساسية للحوسبة الكمومية النافعة: الحفاظ على المعلومات الكمومية سليمة مدة تكفي للاستفادة منها. وعلى حاسوبها Helios ذي الأيونات المحصورة، قاست الشركة دقة للذاكرة المنطقية بلغت 99.9995% في كل دورة للتحقق من الأخطاء، أي ما يعادل نحو خمسة إخفاقات منطقية لكل مليون دورة.

أُعلن عن النتيجة في 19 أكتوبر، وهي تمثل انخفاضًا بمقدار عشرة أضعاف مقارنة بأعلى رقم سابق أعلنت عنه الشركة. وتقول Quantinuum إن هذه النتيجة تعزز مبررات تطوير Apollo، نظامها الشامل المخطط لتحمل الأخطاء، والمستهدف إطلاقه في عام 2029. ومع ذلك، تمثل التجربة معيارًا مهمًا لأداء الذاكرة، لا عرضًا لتطبيق مفيد متكامل يعمل بهذه الدقة.

وتسلط الأبحاث المصاحبة الضوء أيضًا على تنامي الصلة بين الذكاء الاصطناعي والحوسبة الكمومية: إذ يمكن للشبكات العصبية أن تساعد في تفسير قياسات الأخطاء بسرعة تكفي لدعم التصحيح الفوري مستقبلًا. ومن الضروري فهم ما جرى قياسه وكيفية اختبار مفككات الترميز هذه لتقييم هذا التقدم.

ما الذي تقيسه نتيجة 99.9995%؟

تتعرض البتات الكمومية الفيزيائية لاضطرابات تفسد حالاتها الكمومية. ويوزّع تصحيح الأخطاء المعلومات على عدة بتات كمومية فيزيائية لإنشاء بت كمومي منطقي، فيما تكشف قياسات إضافية مؤشرات على وجود أخطاء من دون قراءة المعلومات المحمية مباشرة.

يكمن الاختبار الأساسي في معرفة ما إذا كانت إضافة مزيد من الحماية تخفض فعلًا معدل الخطأ المنطقي. فعندما يكون معدل الخطأ دون عتبة تصحيح الأخطاء، يُفترض أن تحقق الشفرات الأكبر أداءً أفضل. أما إذا تجاوزها، فقد تؤدي العمليات الإضافية اللازمة للحفاظ على الشفرة إلى إدخال قدر مفرط من الضوضاء.

في تصحيح الأخطاء الكمومية بمعدل أدنى بكثير من عتبة شفرة الألوان، اختبر باحثو Quantinuum شفرات الألوان عند مسافات ترميز تبلغ ثلاثة وخمسة وسبعة. وتصف مسافة الترميز قوة الحماية. وانخفض معدل أخطاء الذاكرة المنطقية المقاس من نحو 5.5 لكل 10,000 دورة عند مسافة ترميز قدرها ثلاثة، إلى 3.8 لكل 100,000 عند مسافة قدرها خمسة، ثم إلى نحو خمسة لكل مليون عند مسافة قدرها سبعة.

استخدمت أكبر تجربة للذاكرة 73 بتًا كموميًا فيزيائيًا، بما فيها بتات مساعدة للقياس، لحماية بت كمومي منطقي واحد. واستند التقدير إلى ثلاثة إخفاقات من أصل 29,000 محاولة تجريبية، تضمنت كل منها 20 جولة من التصحيح. ويعني العدد القليل للإخفاقات المرصودة أن عدم اليقين الإحصائي مهم؛ إذ تورد الورقة تقديرًا مركزيًا لمعدل الخطأ يبلغ خمسة لكل مليون، مع مجال يمتد بنحو انحراف معياري واحد من ثلاثة إلى تسعة لكل مليون.

ويشكل ذلك دليلًا قويًا على تحسن فعالية الحماية. لكنه لا يعني تنفيذ مليون بوابة كمومية عشوائية أو مليون خطوة من خوارزمية تجارية من دون أخطاء.

لماذا يتيح Helios اختبار شفرات مختلفة لتصحيح الأخطاء؟

يركز الشرح التقني للتجربة الذي قدمته Quantinuum على التحسينات التي أُدخلت على أجهزة Helios نفسها، المستخدمة في النتيجة السابقة للشركة. وتعتمد المنصة على أيونات محصورة، مع اتصال يتيح التفاعلات خارج نطاق ترتيب ثابت بين أقرب الجيران. وتسمح هذه المرونة للباحثين بتغيير استراتيجيات تصحيح الأخطاء من دون إعادة تصميم المعالج ليتلاءم مع شفرة واحدة.

ويتناول العمل الجديد أيضًا تسرّب الأيونات، وهي حالة يغادر فيها الأيون الحالات المستخدمة لتمثيل بت كمومي. وقد يؤدي هذا التسرّب إلى أخطاء مترابطة تلحق ضررًا بالغًا بأساليب التصحيح. ويجمع الباحثون بين إعادة الضخ البصري، التي تعيد الأيونات المتسرّبة إلى الحالات الحاسوبية، وتقنيات الدارات المصممة للحد من انتشار الأخطاء.

عبر مسافات الترميز التي اختُبرت، تحسن معدل أخطاء الذاكرة المنطقية بنحو 12 ضعفًا في كل مرة زادت فيها المسافة بمقدار اثنين. وأظهرت تجربة منفصلة لبوابة Clifford ثنائية البت الكمومي كبتًا للأخطاء بنحو تسعة أضعاف بين مسافتي الترميز ثلاثة وخمسة. وهذان معياران مترابطان لكنهما مختلفان؛ لذا لا ينبغي إسقاط دقة الذاكرة التي تصدرت العنوان على نتيجة البوابات.

الذكاء الاصطناعي يساعد على فك ترميز إشارات الأخطاء

يعتمد تصحيح الأخطاء الكمومية على مفكك ترميز تقليدي يفسر أنماط القياس ويحدد الأخطاء المحتملة. ولا تكفي الأجهزة الفيزيائية الأفضل وحدها إذا تعذر على عملية التفسير مواكبة المعالج.

تقارن الدراسة بين عدة أساليب، منها مفكك ترميز بالبحث A* يُسمى Tesseract، ومفكك ترميز متدفق يُسمى Frontier، وشبكة عصبية التفافية ثلاثية الأبعاد، ومحوّل يعتمد رموز الجولات. ودُرّبت النماذج العصبية على بيانات من محاكي Helios، ثم طُبقت على بيانات تجريبية من دون ضبط دقيق باستخدام بيانات الأجهزة.

للذكاء الاصطناعي هنا دور محدد، هو تحديد أنماط الأخطاء في القياسات الكمومية. فهذه النماذج لا تحل محل المعالج الكمومي، ولا تقدم عرضًا لتطبيق ذكاء اصطناعي عام الغرض. وتتمثل فائدتها في تحقيق توازن بين دقة فك الترميز والسرعة اللازمة لمواصلة دورات التصحيح المتكررة.

يفيد الباحثون بأن أزمنة الاستدلال العصبي تبلغ مئات الميكروثواني، وهي أزمنة تتوافق مع التشغيل الآني على هذه الفئة من الأجهزة. والأهم أن جميع عمليات فك الترميز في الدراسة أُجريت دون اتصال. وقد زوّدت اختبارات البث القياسات جولةً تلو الأخرى لتقييم التوقيت؛ لكنها لم تكن عرضًا توضيحيًا لوحدات فك الترميز العصبي وهي تتحكم في حلقة تغذية راجعة مباشرة طوال التجربة.

ويُبقي هذا التمييز إنجازًا هندسيًا أمامنا، من دون أن ينتقص من أهمية النتيجة: فقد نجحت نماذج دُرّبت بالمحاكاة في تفسير الأخطاء الصادرة عن آلة كمومية فعلية.

ما الذي يفصل بين تسجيل رقم قياسي للذاكرة والحوسبة المفيدة؟

تصف Quantinuum النتيجة بأنها رقم قياسي عالمي، وتقول إن دقتها أصبحت الآن ضمن النطاق المستهدف لنظام Apollo. وينبغي النظر إلى هذه الادعاءات في ضوء المتطلبات الأوسع للحوسبة المتحمّلة للأخطاء. إذ يجب على النظام العملي حماية عدد كبير من الكيوبتات المنطقية، وتنفيذ مجموعة واسعة بما يكفي من البوابات، ومواصلة تصحيح الأخطاء أثناء الحوسبة، وتوفير معدل إنتاجية كافٍ لإنجاز أحمال عمل ذات قيمة.

وحتى في هذه الدراسة، لا تزال حدود الموارد واضحة. فلم يُجرِ الباحثون تجربة بوابة ثنائية الكيوبت ذات مسافة سبعة، لأنها تجاوزت عدد الكيوبتات المتاحة في Helios. كما تشير مدونة الشركة إلى أن تحضير الحالات السحرية القابل للتوسع وتحت العتبة—وهو ضروري لأحد المسارات المهمة نحو الحوسبة الشاملة المتحمّلة للأخطاء—لا يزال عملاً يتعين إثباته.

تتضمن خارطة طريق Quantinuum نظام Sol في عام 2027 ونظام Apollo في عام 2029. ولا يزال كلاهما هدفًا قيد التطوير. أما الأدلة المتاحة حاليًا فنطاقها أضيق، لكنها مهمة: فقد أدى تغيير الشيفرة، والتحكم في التسرّب، وتحسين فك الترميز على الأجهزة الحالية إلى خفض أخطاء الذاكرة المنطقية بدرجة كبيرة.

بالنسبة إلى قطاع الحوسبة الكمومية، تحوّل هذه النتيجة الاهتمام إلى سؤال أشد تطلبًا من مجرد التساؤل عما إذا كان المعالج قادرًا على إظهار تصحيح الأخطاء: هل يمكن توسيع نطاق هذه الحماية لتشمل المنظومة الكاملة للحوسبة المفيدة؟ أما بالنسبة إلى باحثي الذكاء الاصطناعي، فهي تقدم مثالًا ملموسًا على مساهمة التعلم الآلي في هذا الجهد على مستوى البنية التحتية للتحكم.