Kvantecomputing

Google Quantum AI demonstrerer kontekstualitet på tvers av 105 kvantebiter

Quinn Aster
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterGoogles magiske kvadrat-spill vant 98,3 % av gangene mot en klassisk grense på 88,9 %.
Vis mer
  • Googles magiske kvadrat-spill vant 98,3 % av gangene mot en klassisk grense på 88,9 %.
  • Den kvantemessige fordelen i GHZ-paritetsspillet ble mindre etter hvert som flere spillere ble lagt til.
  • Kontekstualitetstester fungerer også som maskinvarediagnostikk ved å avdekke koherente feil som tilfeldige operasjoner ikke fanger opp.

Google Quantum AI kunngjorde 19. november 2026 at forskning publisert på forsiden av Science hadde demonstrert målekontekstualitet i stor skala på selskapets superledende prosessorer. Dette omfattet et koordineringsspill som ble vunnet 98,3 % av gangene, over den klassiske grensen på 88,9 %.

Kontekstualitet innebærer at utfallet av en måling ikke er en forhåndsbestemt verdi, men avhenger av hvilke andre kompatible målinger som utføres samtidig. Teorien antyder at denne egenskapen kan være nyttig for visse kvantealgoritmer, men tidligere demonstrasjoner har stort sett omfattet systemer med bare noen få partikler. Den nye publikasjonen rapporterer om eksperimenter som utvider disse testene til opptil 105 kvantebiter.

Arbeidet ble først sendt inn som et forhåndstrykk på arXiv 1. desember 2025. Publiseringen i et vitenskapelig tidsskrift i november 2026 er en videreføring av arbeidet, ikke den første offentliggjøringen av eksperimentene.

Et spill klassiske spillere ikke alltid kan vinne

Preprintens redegjørelse for eksperimentene begynner med Mermin–Peres-spillet med magisk kvadrat. To spillere, Alice og Bob, kan bli enige om en strategi før de skilles fra hverandre. Deretter gir en dommer Alice en rad og Bob en kolonne i en tabell med tre rader og tre kolonner. Verdiene i Alices rad må gi produktet +1, og verdiene i Bobs kolonne må gi produktet −1. Spillerne vinner når verdiene deres er like i cellen der raden og kolonnen møtes.

Ingen forhåndsbestemt klassisk tabell kan oppfylle disse motstridende kravene for alle tildelinger. Kvanteimplementeringen bruker et kvadrat på to ganger to kvantebiter og to delte Bell-par. Med en ideell, støyfri strategi ville man vunnet hvert eneste spill. Det rapporterte eksperimentelle gjennomsnittet bygger på ni kombinasjoner av rad og kolonne, som hver ble gjentatt 100 000 ganger.

En separat Kochen–Specker–Bell-test kvantifiserte kontekstualitet med χKSB, en kombinasjon av korrelasjoner fra kompatible målinger. Artikkelen rapporterer χKSB = 5,618 ± 0,005, som overstiger den klassiske grensen på 4 og nærmer seg kvantegrensen på 6. Den resterende forskjellen tilskrives eksperimentelle feil. Kretsen sendte 180 tilfeldig utvalgte målekontekster gjennom 1 000 kjøringer.

Testene skaleres opp på Willow-prosessorer

For å undersøke kontekstualitet utover tilstander med få kvantebiter implementerte teamet et GHZ-paritetsspill for N spillere. Hver spiller tilsvarte én kvantebit, og gruppen delte en GHZ-tilstand som var sammenfiltret på tvers av disse kvantebitene. Hver spiller fikk et binært spørsmål og svarte med en bit. For å vinne måtte pariteten til de samlede svarene samsvare med en verdi som ble bestemt av spørsmålene.

Artikkelen rapporterer tester med opptil 71 kvantebiter, der vinnersannsynligheten med kvanteteknologi var høyere enn den klassiske sannsynligheten ved alle testede størrelser. Forspranget ble likevel mindre etter hvert som flere spillere ble lagt til. For hvert antall spillere testet forskerne 20 spill på tvers av 50 kvantebitkonfigurasjoner. Hver konfigurasjon ble gjentatt 1 000 ganger for å skille ytelsen fra statistiske svingninger etter hvert som marginen krympet.

En separat todimensjonal oppgave med skjult lineær funksjon ba prosessoren finne en skjult bitstreng knyttet til en symmetrisk matrise. Eksperimentene brukte Willow-superledende prosessorer og kontrollerte Z-porter som den innebygde sammenfiltringsoperasjonen. Størrelsene varierte fra 9 kvantebiter opp til den største enheten. Ved hver størrelse målte teamet 1 000 tilfeldige matriser og kjørte hver matrise 100 ganger.

En feilfri implementering returnerer en korrekt bitstreng etter fire effektive lag med to-qubit-porter. For å tallfeste maskinvarefeilene omregnet forskerne andelen korrekte resultater til en effektiv dybde, et mål på tiden det tar å finne en løsning som gjenspeiler hvor mange ekstra kjøringer som trengs for å få et korrekt svar. Artikkelen rapporterer at dette målet steg til omtrent seks lag på det største rutenettet.

Maskinvarediagnostikk og grensene for kvante–klassisk separasjon

Forfatterne foreslår kontekstualitetsbaserte algoritmer som referansetester for prosessorer og rapporterer at versjonene med mange partikler avdekket subtile koherente feil som ikke oppsto ved tilfeldige unitære operasjoner. Dermed kan testene også brukes til maskinvarediagnostikk, utover resultatene i selve spillene.

Google framstiller denne evnen til å oppdage feil som et skritt på veien mot framtidige anvendelser innen kjemi og materialvitenskap. Dette er mulige bruksområder, ikke noe annet enn potensielle anvendelser; de rapporterte eksperimentene simulerer ingen av dem.

Omfanget av skillet mellom kvantebaserte og klassiske metoder er like viktig. Artikkelen slår fast at det ikke finnes noe ubetinget bevis for kvantefordel i en generell beregningsmodell; resultatene gjelder bestemte oppgaver med begrensede ressurser. For sammenligningen med skjulte lineære funksjoner blir den etablerte klassiske nedre grensen først relevant ved omtrent én million kvantebiter. Den logaritmiske grensen for klassisk dybde på kort sikt som vises sammen med de eksperimentelle resultatene, er uttrykkelig en formodning. Målingene fastslår derfor ikke en ubetinget fordel framfor alle klassiske implementeringer med dagens prosessorstørrelser.

Den umiddelbare verdien er en mer presis måte å evaluere kvantemaskinvare på: Kontekstualitet gir skalerbare oppgaver knyttet til en foreslått kilde til beregningsfordel, samtidig som følsomheten avdekker feil som kan forbli skjult i mindre strukturerte tester. Samtidig viser den krympende marginen i GHZ-spillet og den økende effektive dybden at det blir vanskeligere å bevare kvantefordelen etter hvert som flere kvantebiter deltar.

Quinn Aster er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, og dekker skjæringspunktet mellom kunstig intelligens og kvantedatabehandling. Arbeidet deres utforsker hvordan AI-teknikker brukes til å optimalisere qubitkontroll, forbedre kvantefeilkorrigering og akselerere kvantealgoritmer—og bygger bro mellom abstrakt teori og eksperimentell fremgang.

Med et teoretisk og dypt intellektuelt perspektiv undersøker Aster forskning som kommer fra kvante‑laboratorier, akademiske institusjoner og nasjonale forskningsprogrammer. De fokuserer på hvordan maskinlæringsmodeller hjelper med å håndtere kvantestøy, kalibrere maskinvare og navigere i den enorme kompleksiteten i kvantesystemer, samtidig som de er tydelige på begrensningene og usikkerhetene som fortsatt preger feltet.

Artikler skrevet av Quinn Aster er AI-genererte og gjennomgås av Unite.AI sitt redaksjonsteam for å sikre nøyaktighet, klarhet og ansvarlig dekning av fremskritt innen kvantedatabehandling og AI‑drevet optimalisering.