Kvantecomputing

Moths Tessa koder og gjenvinner 1 568 verdier på en brikke med 120 kvantebiter

Quinn Aster
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterTessa laster vilkårlige klassiske data over hele en brikke uten SWAP-porter eller…
Vis mer
  • Tessa laster vilkårlige klassiske data over hele en brikke uten SWAP-porter eller hjelpekubitter.
  • Parmodus dobler lagringstettheten, men øker kretsdybden og reduserer verdikorrelasjonen til 0,69.
  • Det åpne spørsmålet er om senere beregninger kan bruke den kodede tilstanden uten full rekonstruksjon.

Moth kunngjorde Tessa 16. november 2026 og opplyste at metoden kodet og gjenvant 1 568 reelle verdier fordelt på alle de 120 kvantebitene i IBMs Phoenix Nighthawk r2-prosessor. Arbeidet tar for seg en vedvarende utfordring innen maskinlæring med kvantedatamaskiner: å laste klassiske data inn i sårbare kvantebiter på maskinvare med få forbindelser mellom dem.

Daniel Bultrinis artikkel avgrenser den påståtte rekorden tydelig: Den gjelder eksperimenter der fritt valgte tallister ble lastet inn på fysiske kvanteprosessorer, og enkeltverdiene deretter hentet ut. Kjøringer der bare en avledet størrelse ble returnert, er ikke medregnet. Etter denne definisjonen hadde QCrank tidligere gjenvunnet 128 verdier fra 12 ionefellebaserte kvantebiter. I et separat Fez-eksperiment ble 1 024 piksler gjenvunnet fra 13 kvantebiter, men resultatet kan ikke sammenlignes direkte fordi eksperimentet brukte en trent tensor-nettverksapproksimasjon i stedet for en vilkårlig liste med reelle verdier. Artikkelen fastslår derfor at Tessa-kjøringen er den største som er rapportert etter denne definisjonen.

Slik utnytter Tessa brikkens ledningsnett

Tessa, en forkortelse for Tessellated QPIXL, plasserer data- og adressekvantebiter vekselvis i et sjakkbrettmønster over prosessorens fysiske forbindelser. Hver datakvantebit styres bare av nærliggende adressekvantebiter, som kan deles av flere datakvantebiter i nærheten. Hver ekstra adressekvantebit som er koblet til en datakvantebit, dobler lagringskapasiteten, slik at en indre kvantebit med fire naboer kan lagre 16 verdier.

Konstruksjonen fungerer på enhver todelt koblingsgraf, der hver kobling forbinder en datakvantebit med en adressekvantebit. Ved å bruke enhetens eget oppsett unngår man SWAP-porter og ruting, og man trenger ingen ancilla- eller hjelpekvantebiter. Artikkelen beviser at verdiene på hver datakvantebit fortsatt kan gjenvinnes uavhengig av hverandre, til tross for de delte styresignalene.

Alle verdier som er lagret i én enkelt basis, kan dekodes fra én runde med målinger i beregningsbasis på hele brikken. Tessa kan også lagre et ekstra tall i fasen til hvert spor. I Phoenix-kjøringen ble denne parmodusen brukt til å lagre lysstyrke og fargetone for et bilde, med to tall i hvert av 784 brukte spor. Ubrukte spor inneholdt nuller, slik at alle kvantebitene deltok.

Denne tettheten har to kostnader. Parmodus krever flere målebasiser og dobler kretsdybden. Mer generelt fordeles måleskuddene på lokale adressekonfigurasjoner, slik at antallet som trengs for tilsvarende nøyaktighet, øker eksponentielt med den lokale koblingsgraden, selv om eksperimentene holdt denne graden lav.

Hva maskinvaren gjenvant

Testene med én basis brukte 8 192 måleskudd per basis for å gjenvinne et QCAT-bilde på 28 × 28 piksler ved hjelp av 784 av Phoenix’ 792 spor, og et bilde på 21 × 21 piksler ved hjelp av 441 av Fez’ 448 spor. Artikkelen rapporterer rå verdikorrelasjoner målt på maskinvaren på 0,96 for Phoenix og 0,95 for Fez, med gjennomsnittlige absolutte feil på henholdsvis 0,130 og 0,131. Gjenfinning basert på dynamikkområdet, som bruker oppsummerende statistikk fra inndataene i stedet for selve inndataene, reduserte feilene til 0,075 og 0,078. Eksperimentene brukte ingen feilmitigering.

Parmodus-kjøringen med 1 568 verdier var mindre nøyaktig: Artikkelen rapporterer en verdikorrelasjon på 0,69, en gjennomsnittlig absolutt verdifeil på 0,152 og en gjennomsnittlig absolutt fargetonefeil på 0,092 for Phoenix. Kretsen brukte 1 456 CZ-porter med to kvantebiter, mot 728 i Phoenix-kjøringen med én basis. Gjenfinning over hele brikken fungerte dermed på to koblingsgrafer, men den ekstra faseverdien krevde mer av kretsen og ga dårligere rekonstruksjonskvalitet.

Biologiske tester og offentlig kode

I tillegg til pikselkunst omfattet eksperimentene lyd, MIDI, DNA og proteinsekvenser av aminosyrer, inkludert p53. De biologiske sekvensene ble valgt på grunn av lengden eller navnene sine, ikke biologien, så testene undersøkte datahåndtering snarere enn biologiske forhold.

Ved 32 768 måleskudd per måling rapporterer artikkelen at Phoenix gjenvant den 784 nukleotider lange MT-CO3-sekvensen med 92,1 % av nukleotidene helt korrekte uten etterbehandling, og 92,3 % med den beste testede gjenfinningen basert på dynamikkområdet, valgt ved hjelp av den faktiske sekvensen. Gjenfinningen var fortsatt dårligere for tettpakkede proteinsekvenser. Artikkelen advarer om at selv ett feil nukleotid eller én feil aminosyre kan få alvorlige biologiske konsekvenser.

Moth opplyser at Tessa er tilgjengelig for bildebehandlingseksperimenter på Atlas-plattformen. Dokumentasjonen til repositoriet inneholder biblioteket, rå måletall fra maskinvaren, jobblogger, simuleringsresultater og notatbøker som gjenskaper figurene og tabellene i artikkelen uten at man trenger en IBM-konto. Kjøringsloggen daterer de viktigste QCAT-eksperimentene på Phoenix og Fez til 26. september 2026, og senere kjøringer med genetiske sekvenser og pikselkunst til oktober 2026. Dermed skilles maskinvarearbeidet fra kunngjøringen i november.

Tessas umiddelbare bidrag er en maskinvaretilpasset metode for å laste inn og verifisere klassiske data på tvers av en hel prosessor. For maskinlæring med kvantedatamaskiner er det sentrale ubesvarte spørsmålet om etterfølgende beregninger kan utnytte den kodede tilstanden uten å måtte betale kostnaden for en full rekonstruksjon, samtidig som man holder veksten i antall måleskudd og feilene ved tettere parenkoding under kontroll.

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.