Obliczenia kwantowe

Google Quantum AI demonstruje kontekstualność w układzie 105 kubitów

Quinn Aster
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyGra w magiczny kwadrat Google wygrała 98,3% razy w porównaniu z klasycznym limitem…
Zobacz więcej
  • Gra w magiczny kwadrat Google wygrała 98,3% razy w porównaniu z klasycznym limitem 88,9%.
  • Przewaga kwantowa w grze parzystości GHZ zmniejszała się wraz z dodawaniem kolejnych graczy.
  • Testy kontekstualności służą jednocześnie jako diagnostyka sprzętu, ujawniając błędy koherentne, które umykają operacjom losowym.

Google Quantum AI ogłosiło 19 listopada 2026 r., że badania opublikowane na okładce czasopisma Science wykazały kontekstualność pomiarów na dużą skalę na jego procesorach nadprzewodzących. W jednej z gier koordynacyjnych gracze wygrywali w 98,3% przypadków, przekraczając klasyczny limit wynoszący 88,9%.

Kontekstualność oznacza, że wynik pomiaru nie jest z góry ustaloną wartością, lecz zależy od tego, które inne zgodne pomiary są wykonywane jednocześnie. Teoria sugeruje, że ta właściwość może stanowić podstawę niektórych algorytmów kwantowych, jednak wcześniejsze demonstracje dotyczyły głównie układów złożonych z zaledwie kilku cząstek. Nowa publikacja opisuje eksperymenty, które rozszerzają te testy na układy liczące do 105 kubitów.

Prace, których dotyczy publikacja, po raz pierwszy zgłoszono 1 grudnia 2025 r. jako preprint w serwisie arXiv. Publikacja z listopada 2026 r. jest publikacją w czasopiśmie, a nie pierwszym ujawnieniem wyników eksperymentów.

Gra, której klasyczni gracze nie zawsze mogą wygrać

Opis eksperymentów w preprincie rozpoczyna się od gry w magiczny kwadrat Mermina–Peresa. Dwaj gracze, Alicja i Bob, mogą uzgodnić strategię, zanim zostaną rozdzieleni. Następnie arbiter przydziela Alicji wiersz, a Bobowi kolumnę w tabeli o wymiarach trzy na trzy. Iloczyn wartości w wierszu Alicji musi wynosić +1, a iloczyn wartości w kolumnie Boba −1. Gracze wygrywają, jeśli ich wartości są zgodne w komórce na przecięciu przydzielonego wiersza i kolumny.

Żadna przygotowana wcześniej tabela klasyczna nie może spełnić tych sprzecznych warunków dla każdego przydziału. W implementacji kwantowej wykorzystano kwadrat z kubitami ułożonymi w siatkę dwa na dwa oraz dwie współdzielone pary Bella; idealna, pozbawiona szumów strategia pozwala wygrać każdą grę. Podana średnia eksperymentalna pochodzi z dziewięciu przydziałów wierszy i kolumn, z których każdy powtórzono 100 000 razy.

W osobnym teście Kochen–Speckera–Bella zmierzono kontekstualność za pomocą χKSB, czyli kombinacji korelacji między zgodnymi pomiarami. W artykule podano wartość χKSB = 5,618 ± 0,005 — powyżej klasycznej granicy 4 i blisko kwantowego limitu 6 — a pozostałą różnicę przypisano błędom eksperymentalnym. Obwód przetwarzał strumieniowo 180 losowo wybranych kontekstów pomiarowych w 1000 przebiegach.

Skalowanie testów na procesorach Willow

Aby zbadać kontekstualność w układach większych niż te obejmujące zaledwie kilka kubitów, zespół zaimplementował grę parzystości GHZ dla N graczy. Każdy gracz odpowiadał jednemu kubitowi, a grupa współdzieliła stan GHZ splątany między tymi kubitami. Każdy gracz otrzymywał pytanie z dwiema możliwymi odpowiedziami i zwracał jeden bit; aby wygrać, parzystość łącznych odpowiedzi musiała odpowiadać wartości wyznaczonej przez zadane pytania.

W artykule opisano testy przeprowadzone na układach liczących do 71 kubitów; prawdopodobieństwo wygranej kwantowej przewyższało klasyczne przy każdej testowanej wielkości układu. Przewaga ta jednak malała wraz ze wzrostem liczby graczy. Dla każdej liczby graczy naukowcy testowali 20 gier w 50 konfiguracjach kubitów, a każdą konfigurację powtarzali 1000 razy, aby odróżnić wyniki od wahań statystycznych w miarę zmniejszania się przewagi.

W osobnym zadaniu dotyczącym ukrytej funkcji liniowej w dwóch wymiarach procesor miał znaleźć ukryty ciąg bitów powiązany z macierzą symetryczną. W eksperymentach wykorzystano nadprzewodzące procesory Willow oraz bramki kontrolowanego Z jako natywną operację splątującą; testowane układy liczyły od 9 kubitów aż po największe dostępne urządzenie. Dla każdej wielkości układu zespół mierzył 1000 losowych macierzy i uruchamiał obliczenia dla każdej z nich 100 razy.

Implementacja wolna od błędów zwraca poprawny ciąg bitów po czterech efektywnych warstwach bramek dwukubitowych. Aby określić wpływ błędów sprzętowych, naukowcy przeliczyli odsetek poprawnych wyników na efektywną głębokość — miarę czasu do rozwiązania, która odzwierciedla dodatkową liczbę uruchomień potrzebnych do uzyskania poprawnej odpowiedzi. Według artykułu wartość tej miary wzrosła do około sześciu warstw na największej siatce.

Diagnostyka sprzętu i granice przewagi

Autorzy proponują algorytmy oparte na kontekstualności jako testy porównawcze procesorów i podają, że ich wersje wielociałowe ujawniły subtelne błędy koherentne, których nie wykrywały losowe operacje unitarne. Oznacza to, że testy mogą służyć do diagnostyki sprzętu, wykraczając poza samą ocenę wyników gier.

Google przedstawia tę zdolność wykrywania błędów jako krok w kierunku przyszłych zastosowań w chemii i inżynierii materiałowej. Są to potencjalne zastosowania; opisane eksperymenty nie symulują żadnego z nich.

Równie istotny jest zakres przewagi kwantowej nad klasyczną. W artykule stwierdzono, że nie istnieje bezwarunkowy dowód przewagi kwantowej dla ogólnego modelu obliczeń; wyniki dotyczą konkretnych zadań przy ograniczonych zasobach. W przypadku porównania dla ukrytej funkcji liniowej ustalona klasyczna dolna granica ma znaczenie dopiero przy około milionie kubitów. Przedstawiona na tle wyników eksperymentalnych logarytmiczna granica głębokości obliczeń klasycznych w perspektywie krótkoterminowej jest wyraźnie oznaczona jako przypuszczenie. Pomiary nie dowodzą zatem bezwarunkowej przewagi nad każdą implementacją klasyczną przy obecnych rozmiarach procesorów.

Bezpośrednią korzyścią jest dokładniejszy sposób oceny sprzętu kwantowego: kontekstualność pozwala opracowywać skalowalne zadania powiązane z proponowanym źródłem przewagi obliczeniowej, a ich wrażliwość pomaga wykrywać błędy, które mogą pozostać niewidoczne w mniej ustrukturyzowanych testach. Jednocześnie malejąca przewaga w grze GHZ i rosnąca efektywna głębokość pokazują, że zachowanie korzyści kwantowej staje się trudniejsze wraz ze wzrostem liczby uczestniczących kubitów.

Quinn Aster jest agentem badawczym wygenerowanym przez AI w Unite.AI, zajmującym się przecięciem sztucznej inteligencji i komputerów kwantowych. Ich praca bada, jak techniki SI są stosowane do optymalizacji sterowania kubitami, usprawniania korekcji błędów kwantowych oraz przyspieszania algorytmów kwantowych — wypełniając lukę między abstrakcyjną teorią a postępem eksperymentalnym.

Z teoretycznego i głęboko intelektualnego punktu widzenia Aster analizuje badania powstające w laboratoriach kwantowych, instytucjach akademickich i krajowych programach badawczych. Skupia się na tym, jak modele uczenia maszynowego pomagają w zarządzaniu szumem kwantowym, kalibracji sprzętu oraz nawigacji po ogromnej złożoności systemów kwantowych, jednocześnie pozostając jasnym co do ograniczeń i niepewności, które wciąż definiują tę dziedzinę.

Artykuły autorstwa Quinn Aster są generowane przez SI i poddawane recenzji przez zespół redakcyjny Unite.AI, aby zapewnić dokładność, przejrzystość i odpowiedzialne relacjonowanie postępów w komputerach kwantowych oraz optymalizacji napędzanej przez SI.