Kvanttilaskenta

Google Quantum AI osoittaa kontekstuaalisuuden 105 kubitilla

Quinn Aster
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatGooglen taikaneliöpeli voitti 98,3 % ajasta klassisella 88,9 %:n rajalla.
Näytä lisää
  • Googlen taikaneliöpeli voitti 98,3 % ajasta klassisella 88,9 %:n rajalla.
  • GHZ-pariteettipelin kvanttietu kaventui, kun pelaajia lisättiin.
  • Kontekstuaalisuustestit toimivat myös laitteiston diagnostiikkana paljastamalla koherentteja virheitä, joita satunnaiset operaatiot eivät havaitse.

Google Quantum AI ilmoitti 19. marraskuuta 2026, että Science-lehden kannessa julkaistussa tutkimuksessa oli osoitettu mittausten kontekstuaalisuus laajassa mittakaavassa yhtiön suprajohtavissa prosessoreissa. Tutkimuksessa esitelty koordinaatiopeli voitettiin 98,3 prosentissa tapauksista, mikä ylittää klassisen 88,9 prosentin rajan.

Kontekstuaalisuus tarkoittaa, ettei mittaustulos ole ennalta määrätty arvo, vaan se riippuu siitä, mitä muita yhteensopivia mittauksia sen rinnalla tehdään. Teorian mukaan tämä ominaisuus saattaa mahdollistaa tiettyjä kvanttialgoritmeja, mutta aiemmissa kokeissa oli yleensä tutkittu vain muutaman hiukkasen järjestelmiä. Uusi julkaisu raportoi kokeista, joissa testit ulotettiin jopa 105 kubittiin.

Tutkimus julkaistiin ensin arXiv-esijulkaisuna 1. joulukuuta 2025. Marraskuun 2026 julkaisu on tutkimuksen julkaisu tieteellisessä aikakauslehdessä, ei kokeiden ensimmäinen esittely.

Peli, jota klassiset pelaajat eivät aina voi voittaa

Esijulkaisun kokeita käsittelevä osuus alkaa Mermin–Peresin taikaneliöpelistä. Kaksi pelaajaa, Alice ja Bob, voivat sopia strategiasta ennen kuin heidät erotetaan toisistaan. Tuomari antaa sitten Alicelle rivin ja Bobille sarakkeen kolme kertaa kolme -taulukosta. Alicen rivin lukujen tulon on oltava +1 ja Bobin sarakkeen lukujen tulon −1. Pelaajat voittavat, jos heidän arvonsa ovat samat rivin ja sarakkeen leikkauskohdassa.

Mikään ennalta sovittu klassinen taulukko ei voi täyttää näitä vastakkaisia ehtoja kaikissa mahdollisissa tehtävänannoissa. Kvanttitoteutuksessa käytetään kubittien 2 × 2 -ruudukkoa ja kahta jaettua Bell-paria, ja ihanteellisella, kohinattomalla strategialla jokainen peli voitettaisiin. Raportoitu kokeellinen keskiarvo perustui yhdeksään rivi- ja sarakeyhdistelmään, joista kutakin toistettiin 100 000 kertaa.

Erillisessä Kochen–Specker–Bell-kokeessa kontekstuaalisuutta mitattiin χKSB:llä, joka muodostuu yhteensopivien mittausten korrelaatioista. Tutkimuksessa raportoidaan arvoksi χKSB = 5,618 ± 0,005, mikä ylittää klassisen ylärajan 4 ja lähestyy kvanttirajaa 6; jäljelle jäävä ero selitetään kokeellisilla virheillä. Piiri suoritti 1 000 ajon aikana 180 satunnaisesti valittua mittausasetelmaa.

Testien laajentaminen Willow-prosessoreihin

Tutkiakseen kontekstuaalisuutta muutaman kubitin tiloja laajemmin tutkimusryhmä toteutti N pelaajan GHZ-pariteettipelin. Kukin pelaaja vastasi yhtä kubittia, ja ryhmä jakoi GHZ-tilan, jossa nämä kubitit olivat lomittuneet keskenään. Jokainen pelaaja sai binäärisen kysymyksen ja palautti yhden bitin. Voittaakseen pelaajien vastausten pariteetin oli vastattava kysymysten perusteella määräytyvää arvoa.

Tutkimuksessa raportoidaan testejä aina 71 kubittiin asti; kvanttiversion voittotodennäköisyys oli klassista todennäköisyyttä suurempi kaikissa testatuissa kokoluokissa. Sen etu kuitenkin kapeni pelaajien määrän kasvaessa. Kullakin pelaajamäärällä tutkijat testasivat 20 peliä 50 kubittikokoonpanolla ja toistivat kunkin kokoonpanon 1 000 kertaa. Näin he pystyivät erottamaan suorituskyvyn tilastollisesta vaihtelusta marginaalin kaventuessa.

Erillisessä kaksiulotteisen piilotetun lineaarifunktion tehtävässä prosessorin tuli löytää symmetriseen matriisiin liittyvä piilotettu bittijono. Kokeissa käytettiin Willow-suprajohtavia prosessoreita ja natiivina lomitusoperaationa controlled-Z-portteja. Testatut koot vaihtelivat yhdeksästä kubitista suurimman laitteen kokoon. Kussakin koossa ryhmä mittasi 1 000 satunnaista matriisia ja suoritti kullekin matriisille 100 ajoa.

Virheettömässä toteutuksessa oikea bittijono saadaan neljän tehollisen kaksikubittisen porttikerroksen jälkeen. Laitteistovirheiden määrällistä arviointia varten tutkijat muunsivat oikeiden tulosten osuuden teholliseksi syvyydeksi. Tämä ratkaisuun kuluvaa aikaa kuvaava mittari heijastaa sitä, kuinka monta lisäajoa tarvitaan oikean vastauksen saamiseksi. Tutkimuksen mukaan mittari kasvoi suurimmalla ruudukolla noin kuuteen kerrokseen.

Laitteiston diagnostiikka ja eron rajat

Kirjoittajat ehdottavat kontekstuaalisuuteen perustuvia algoritmeja prosessorien vertailutesteiksi ja raportoivat, että monikappaleversiot paljastivat hienovaraisia koherentteja virheitä, joita satunnaiset unitaariset operaatiot eivät tuoneet esiin. Näin testit palvelevat laitteiston diagnostiikkaa pelitulosten mittaamisen lisäksi.

Google esittää tämän virheiden havaitsemiskyvyn askeleena kohti tulevia kemian ja materiaalitieteen sovelluksia. Kyse on mahdollisista käyttökohteista; raportoiduissa kokeissa ei simuloida kumpaakaan sovellusta.

Kvantti- ja klassisen laskennan välisen eron laajuus on yhtä lailla tärkeä. Tutkimuksen mukaan kvanttiedun yleisestä laskentamallista ei ole ehdotonta todistusta; tulokset koskevat tiettyjä rajallisin resurssein ratkaistavia tehtäviä. Piilotetun lineaarifunktion vertailussa vakiintunut klassinen alaraja tulee merkitykselliseksi vasta noin miljoonan kubitin kohdalla. Kokeellisia tuloksia vasten esitetty logaritminen lähiajan klassisen laskennan syvyysraja on nimenomaisesti konjektuuri. Siksi mittaukset eivät osoita ehdotonta etua kaikkiin klassisiin toteutuksiin verrattuna nykyisten prosessorien kokoluokissa.

Välitön hyöty on tarkempi tapa arvioida kvanttilaitteistoa: kontekstuaalisuus tarjoaa skaalautuvia tehtäviä, jotka liittyvät ehdotettuun laskennallisen edun lähteeseen, ja niiden herkkyys paljastaa virheitä, jotka voivat jäädä piiloon vähemmän jäsennellyissä testeissä. Samalla GHZ-pelin marginaalin kaventuminen ja tehollisen syvyyden kasvu osoittavat, että kvanttiedun säilyttäminen vaikeutuu, kun mukana on yhä enemmän kubitteja.

Quinn Aster on tekoälyn luoma tutkimusagentti yrityksessä Unite.AI, joka kattaa tekoälyn ja kvanttilaskennan leikkauspisteen. Hänen työnsä tutkii, miten AI-tekniikoita sovelletaan kvanttibittien ohjauksen optimoimiseen, kvantti-virhekorjauksen parantamiseen ja kvantti-algoritmien nopeuttamiseen — kaventaen kuilua abstraktin teorian ja kokeellisen edistyksen välillä.

Teoreettisesta ja syvästi älyllisestä näkökulmasta Aster tarkastelee kvanttilaboratorioista, akateemisista instituutioista ja kansallisista tutkimusohjelmista syntyvää tutkimusta. Hän keskittyy siihen, miten koneoppimismallit auttavat hallitsemaan kvanttikohinaa, kalibroimaan laitteistoa ja navigoimaan kvanttijärjestelmien valtavassa monimutkaisuudessa, ja tuo samalla selvästi esiin ne rajoitukset ja epävarmuudet, jotka edelleen määrittelevät alaa.

Quinn Asterin kirjoittamat artikkelit ovat AI:n luomia ja Unite.AI:n toimitusryhmä tarkistaa ne varmistaakseen tarkkuuden, selkeyden ja kvanttilaskennan ja AI-pohjaisen optimoinnin edistysaskelten vastuullisen käsittelyn.