Kvantecomputing

Google Quantum AI påviser kontekstualitet på tværs af 105 qubits

Quinn Aster
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterGoogles magiske kvadrat-spil vandt 98,3 % af tiden mod en klassisk grænse på 88,9 %.
Vis mere
  • Googles magiske kvadrat-spil vandt 98,3 % af tiden mod en klassisk grænse på 88,9 %.
  • GHZ-paritetsspillets kvantefordel blev mindre, efterhånden som flere spillere blev tilføjet.
  • Kontekstualitetstests fungerer også som hardware-diagnostik ved at afsløre koherente fejl, som tilfældige operationer overser.

Google Quantum AI meddelte den 19. november 2026, at forskning offentliggjort på forsiden af Science havde påvist målingskontekstualitet i stor skala på virksomhedens superledende processorer. Det omfattede et koordineringsspil, som blev vundet 98,3 % af gangene – over den klassiske grænse på 88,9 %.

Kontekstualitet betyder, at et måleresultat ikke har en forudbestemt værdi, men afhænger af, hvilke andre kompatible målinger der udføres samtidig. Teorien peger på, at denne egenskab kan være grundlag for visse kvantealgoritmer, men tidligere demonstrationer har for det meste omfattet systemer med kun få partikler. Den nye publikation beskriver eksperimenter, der udvider disse undersøgelser til op til 105 qubits.

Arbejdet blev først indsendt som et fortryk på arXiv den 1. december 2025. Publikationen i et tidsskrift i november 2026 er således ikke den første offentliggørelse af eksperimenterne.

Et spil, som klassiske spillere ikke altid kan vinde

Den eksperimentelle redegørelse i fortrykket tager udgangspunkt i Mermin–Peres’ magiske kvadrat-spil. To spillere, Alice og Bob, kan blive enige om en strategi, inden de skilles ad. Derefter tildeler en dommer Alice en række og Bob en kolonne i en tabel med tre rækker og tre kolonner. Alices tal skal give produktet +1, og Bobs skal give −1. Spillerne vinder, hvis deres værdier stemmer overens i det felt, hvor rækken og kolonnen krydser hinanden.

Ingen på forhånd fastlagt klassisk tabel kan opfylde disse modstridende krav ved alle tildelinger. Kvanteimplementeringen bruger et kvadrat på to gange to qubits og to delte Bell-par; med en ideel, støjfri strategi vindes hvert spil. Det rapporterede eksperimentelle gennemsnit blev beregnet ud fra ni kombinationer af rækker og kolonner, som hver blev gentaget 100.000 gange.

En separat Kochen–Specker–Bell-test målte kontekstualiteten med χKSB, som er en kombination af korrelationer fra kompatible målinger. Artiklen rapporterer χKSB = 5,618 ± 0,005, hvilket overstiger den klassiske grænse på 4 og nærmer sig kvantegrænsen på 6; den resterende forskel tilskrives eksperimentelle fejl. Kredsløbet gennemløb 180 tilfældigt udvalgte målingskontekster over 1.000 kørsler.

Testene skaleres på tværs af Willow-processorer

For at undersøge kontekstualitet ud over tilstande med få qubits implementerede holdet et GHZ-paritetsspil for N spillere. Hver spiller svarede til én qubit, og gruppen delte en GHZ-tilstand, der var sammenfiltret på tværs af disse qubits. Hver spiller modtog et binært spørgsmål og svarede med en bit. For at vinde skulle pariteten af spillernes samlede svar stemme overens med en værdi, der blev bestemt af spørgsmålene.

Artiklen rapporterer test med op til 71 qubits, hvor sandsynligheden for at vinde med kvantecomputeren var større end den klassiske sandsynlighed ved alle de testede størrelser. Fordelen blev dog mindre, efterhånden som flere spillere kom til. For hvert antal spillere testede forskerne 20 spil på tværs af 50 qubitkonfigurationer og gentog hver konfiguration 1.000 gange for at skelne resultatet fra statistiske udsving, efterhånden som forskellen blev mindre.

En separat opgave med en skjult lineær funktion i to dimensioner bad processoren om at finde en skjult bitstreng, der var knyttet til en symmetrisk matrix. Eksperimenterne blev udført på Willow-superledende processorer med controlled-Z-porte som den indbyggede sammenfiltringsoperation. De omfattede størrelser fra 9 qubits op til den største enhed. Ved hver størrelse målte holdet 1.000 tilfældige matricer og kørte hver matrix 100 gange.

En fejlfri implementering returnerer en korrekt bitstreng efter fire effektive lag med to-qubit-porte. For at kvantificere hardwarefejl omregnede forskerne andelen af korrekte resultater til en effektiv dybde – et mål for løsningstiden, der afspejler, hvor mange ekstra kørsler der skal til for at få et korrekt svar. Artiklen rapporterer, at dette mål steg til omkring seks lag på det største gitter.

Hardwarediagnostik og grænserne for adskillelsen

Forfatterne foreslår algoritmer baseret på kontekstualitet som målestok for processorer og rapporterer, at versionerne med mange legemer afslørede subtile, sammenhængende fejl, som ikke optrådte ved tilfældige unitære operationer. Dermed kan testene bruges til hardwarediagnostik ud over at måle resultaterne i spillene.

Google fremstiller denne evne til at opdage fejl som et skridt på vejen mod fremtidige anvendelser inden for kemi og materialevidenskab. Det er potentielle anvendelser; de rapporterede eksperimenter simulerer ingen af dem.

Omfanget af adskillelsen mellem kvantebaserede og klassiske metoder er lige så vigtigt. Artiklen fastslår, at der ikke findes noget ubetinget bevis for kvantefordel inden for en generel beregningsmodel; resultaterne vedrører specifikke opgaver med begrænsede ressourcer. For sammenligningen af den skjulte lineære funktion bliver den etablerede klassiske nedre grænse først relevant ved omkring én million qubits. Den logaritmiske grænse for klassisk dybde på kort sigt, som vises sammen med forsøgsresultaterne, er udtrykkeligt en formodning. Målingerne beviser derfor ikke en ubetinget fordel i forhold til enhver klassisk implementering ved processorstørrelser, der er aktuelle i dag.

Den umiddelbare værdi er en mere præcis måde at evaluere kvantehardware på: Kontekstualitet giver skalerbare opgaver, der er knyttet til en foreslået kilde til beregningsmæssige fordele, og opgavernes følsomhed gør det muligt at opdage fejl, som kan forblive skjulte i mindre strukturerede test. Samtidig viser den aftagende forskel i GHZ-spillet og den stigende effektive dybde, at det bliver sværere at bevare kvantefordelen, efterhånden som flere qubits deltager.

Quinn Aster er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker krydsfeltet mellem kunstig intelligens og kvantecomputing. Deres arbejde undersøger, hvordan AI-teknikker anvendes til at optimere qubitkontrol, forbedre kvantefejlkorrektion og accelerere kvantealgoritmer — og bygger bro mellem abstrakt teori og eksperimentel fremgang.

Med et teoretisk og dybt intellektuelt perspektiv undersøger Aster forskning, der opstår i kvante‑laboratorier, akademiske institutioner og nationale forskningsprogrammer. De fokuserer på, hvordan maskinlæringsmodeller hjælper med at håndtere kvante‑støj, kalibrere hardware og navigere i den enorme kompleksitet i kvantesystemer, samtidig med at de tydeligt påpeger de begrænsninger og usikkerheder, der stadig præger feltet.

Artikler forfattet af Quinn Aster er AI-genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre nøjagtighed, klarhed og ansvarlig dækning af fremskridt inden for kvantecomputing og AI-drevet optimering.