Kvantecomputing

Moths Tessa indkoder og genskaber 1.568 værdier på en chip med 120 qubits

Quinn Aster
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterTessa indlæser vilkårlige klassiske data på tværs af en hel chip uden SWAP-gates eller…
Vis mere
  • Tessa indlæser vilkårlige klassiske data på tværs af en hel chip uden SWAP-gates eller hjælpe-qubits.
  • Par-tilstand fordobler lagringstætheden, men øger kredsløbsdybden og sænker værdikorrelationen til 0,69.
  • Det åbne spørgsmål er, om senere beregninger kan bruge den kodede tilstand uden fuld rekonstruktion.

Moth annoncerede Tessa den 16. november 2026 og oplyste, at metoden indkodede og genskabte 1.568 reelle værdier fordelt på alle 120 qubits i IBMs Phoenix Nighthawk r2-processor. Arbejdet tager fat på en vedvarende udfordring inden for kvantemaskinlæring: at indlæse klassiske data i skrøbelige qubits på hardware med få forbindelser.

Daniel Bultrinis artikel afgrænser den påståede rekord præcist: Der er tale om eksperimenter, hvor selvvalgte talrækker blev indlæst på fysiske kvanteprocessorer, og de enkelte værdier blev hentet frem igen. Forsøg, der kun returnerede en afledt størrelse, er ikke medregnet. Efter denne definition havde QCrank tidligere genskabt 128 værdier fra 12 qubits med indfangede ioner. I et separat Fez-eksperiment blev 1.024 pixels genskabt fra 13 qubits, men forsøget kan ikke sammenlignes direkte, fordi det brugte en trænet tensor-netværksapproksimation i stedet for en vilkårlig liste med reelle værdier. Artiklen betegner derfor Tessa-forsøget som det største rapporterede efter dens definition.

Sådan udnytter Tessa chippenes forbindelser

Tessa, en forkortelse for Tessellated QPIXL, placerer data- og adressequbits skiftevis i et skakbrætmønster, der følger processorens fysiske forbindelser. Hver dataqubit styres kun af tilstødende adressequbits, som kan deles mellem nærliggende dataqubits. Hver ekstra tilstødende adressequbit fordobler lagerkapaciteten for en dataqubit, så en indre qubit med fire naboer kan lagre 16 værdier.

Konstruktionen fungerer på enhver todelt koblingsgraf, hvor hver kobling forbinder en dataqubit med en adressequbit. Ved at bruge enhedens eget layout undgår man SWAP-porte og ruteføring, og der er ikke brug for ancilla- eller hjælpequbits. Artiklen beviser, at værdierne på hver dataqubit fortsat kan genskabes uafhængigt af hinanden, selv om styresignalerne deles.

Alle værdier, der er lagret i én og samme basis, kan afkodes ved én runde af målinger i beregningsbasen på tværs af chippen. Tessa kan også lagre et ekstra tal i fasen for hver plads. I Phoenix-forsøget blev denne parfunktion brugt til en billeds lysstyrke og farvetone, så der blev placeret to tal i hver af de 784 benyttede pladser; de ledige pladser indeholdt nuller, så alle qubits deltog.

Denne tæthed har to omkostninger. Parfunktionen kræver flere målebaser og fordobler kredsløbets dybde. Mere generelt fordeles målingerne på lokale adressekonfigurationer, så antallet af målinger, der kræves for at opnå tilsvarende nøjagtighed, vokser eksponentielt med den lokale koblingsgrad, selv om eksperimenterne holdt denne grad lav.

Hvad hardwaren genskabte

I testene med én basis blev der brugt 8.192 målinger pr. basis til at genskabe et QCAT-billede på 28 × 28 pixels ved hjælp af 784 af Phoenix’ 792 pladser og et billede på 21 × 21 pixels ved hjælp af 441 af Fez’ 448 pladser. Artiklen rapporterer rå korrelationer mellem hardwareværdier på 0,96 for Phoenix og 0,95 for Fez samt gennemsnitlige absolutte fejl på henholdsvis 0,130 og 0,131. Genskabelse af dynamisk område, som bygger på opsummerende statistik for inputtet frem for selve inputtet, reducerede fejlene til 0,075 og 0,078. Eksperimenterne benyttede ingen fejlkorrektion.

Parforsøget med 1.568 værdier var mindre nøjagtigt: Artiklen rapporterer en værdikorrelationskoefficient på 0,69, en gennemsnitlig absolut værdifejl på 0,152 og en gennemsnitlig absolut fejl for farvetonen på 0,092 for Phoenix. Kredsløbet brugte 1.456 CZ-porte med to qubits sammenlignet med 728 i Phoenix-forsøget med én basis. Genskabelse på hele chippen fungerede altså på to koblingsgrafer, men den ekstra faseværdi krævede et mere omfattende kredsløb og gav en ringere rekonstruktionskvalitet.

Biologiske test og offentlig kode

Ud over pixelkunst omfattede eksperimenterne lyd, MIDI, DNA- og proteinsekvenser af aminosyrer, herunder p53. De biologiske sekvenser blev udvalgt på grund af deres længde eller navne, ikke deres biologiske egenskaber. Testene handlede derfor om datahåndtering, ikke biologiske analyser.

Ved 32.768 målinger pr. måling rapporterer artiklen, at Phoenix genskabte sekvensen MT-CO3 på 784 nukleotider med 92,1 % helt korrekte nukleotider uden efterbehandling og 92,3 % med den bedste afprøvede genskabelse af dynamisk område, som blev valgt ved hjælp af den sande sekvens. Resultaterne var fortsat dårligere for tæt pakkede proteinsekvenser. Artiklen understreger, at selv ét forkert nukleotid eller én forkert aminosyre kan have alvorlige biologiske konsekvenser.

Moth oplyser, at Tessa kan bruges til billedbehandlingseksperimenter på virksomhedens Atlas-platform. Kodelagerets dokumentation indeholder biblioteket, rå hardwaremålinger, jobregistre, simuleringsresultater og notesbøger, der genskaber artiklens figurer og tabeller uden en IBM-konto. Kørselssloggen daterer de vigtigste QCAT-eksperimenter på Phoenix og Fez til den 26. september 2026 og senere forsøg med genetiske data og pixelkunst til oktober 2026. Dermed skelnes hardwarearbejdet fra annonceringen i november.

Tessas umiddelbare bidrag er en hardwaretilpasset metode til at indlæse og verificere klassiske data på tværs af en hel processor. For kvantemaskinlæring er det centrale ubesvarede spørgsmål, om efterfølgende beregninger kan udnytte den indkodede tilstand uden at skulle betale prisen for en fuld rekonstruktion, samtidig med at væksten i antallet af målinger og fejlene ved tættere parindkodning holdes under kontrol.

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.