คอมพิวติ้งควอนตัม

Google Quantum AI แสดงภาวะขึ้นกับบริบทในการวัดด้วยคิวบิต 105 คิวบิต

Quinn Aster
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญเกมจัตุรัสวิเศษของกูเกิลชนะ 98.3% ของเวลา เทียบกับขีดจำกัดคลาสสิกที่ 88.9%
ดูเพิ่มเติม
  • เกมจัตุรัสวิเศษของกูเกิลชนะ 98.3% ของเวลา เทียบกับขีดจำกัดคลาสสิกที่ 88.9%
  • ข้อได้เปรียบเชิงควอนตัมของเกมความเท่าเทียม GHZ แคบลงเมื่อเพิ่มจำนวนผู้เล่นมากขึ้น
  • การทดสอบบริบททำหน้าที่เป็นเครื่องมือวินิจฉัยฮาร์ดแวร์โดยเผยข้อผิดพลาดเชิงเชื่อมโยงที่การดำเนินการแบบสุ่มมองข้าม

Google Quantum AI ประกาศเมื่อวันที่ 19 พฤศจิกายน 2026 ว่างานวิจัยซึ่งตีพิมพ์บนปกวารสาร Science แสดงให้เห็นภาวะขึ้นกับบริบทในการวัดในระดับใหญ่บนตัวประมวลผลตัวนำยิ่งยวดของบริษัท โดยรวมถึงเกมประสานงานที่ชนะ 98.3% ของเวลา ซึ่งสูงกว่าขีดจำกัดแบบคลาสสิกที่ 88.9%

ภาวะขึ้นกับบริบทหมายความว่า ผลลัพธ์จากการวัดไม่ได้มีค่าที่กำหนดไว้ล่วงหน้า แต่ขึ้นอยู่กับว่ามีการวัดอื่นใดที่เข้ากันได้ดำเนินควบคู่กันไปด้วย ทฤษฎีชี้ว่าคุณสมบัตินี้อาจช่วยขับเคลื่อนอัลกอริทึมควอนตัมบางประเภท แต่การสาธิตก่อนหน้านี้ส่วนใหญ่เกี่ยวข้องกับระบบที่มีอนุภาคเพียงไม่กี่อนุภาค สิ่งพิมพ์ฉบับใหม่นี้รายงานการทดลองที่ขยายการทดสอบดังกล่าวให้ครอบคลุมคิวบิตได้มากถึง 105 คิวบิต

ผลงานเบื้องหลังนี้ได้รับการส่งเป็น เอกสารวิจัยฉบับก่อนตีพิมพ์บน arXiv ครั้งแรกเมื่อวันที่ 1 ธันวาคม 2025 พัฒนาการในเดือนพฤศจิกายน 2026 คือการตีพิมพ์ผลงานดังกล่าวในวารสาร ไม่ใช่การเปิดเผยผลการทดลองเป็นครั้งแรก

เกมที่ผู้เล่นแบบคลาสสิกไม่อาจชนะได้เสมอไป

รายงานการทดลองในเอกสารฉบับก่อนตีพิมพ์เริ่มต้นด้วยเกมตารางมหัศจรรย์ Mermin–Peres ผู้เล่นสองคนคือ Alice และ Bob สามารถตกลงกลยุทธ์กันล่วงหน้าก่อนถูกแยกจากกัน จากนั้นกรรมการจะกำหนดแถวหนึ่งให้ Alice และคอลัมน์หนึ่งให้ Bob ในตารางขนาด 3 × 3 ค่าต่าง ๆ ในแถวของ Alice ต้องคูณกันได้ +1 ส่วนค่าในคอลัมน์ของ Bob ต้องคูณกันได้ −1 ผู้เล่นจะชนะเมื่อค่าของทั้งคู่ตรงกันที่ช่องตัดกัน

ไม่มีตารางแบบคลาสสิกที่เตรียมไว้ล่วงหน้าซึ่งจะเป็นไปตามเงื่อนไขที่ขัดแย้งกันเหล่านี้ได้สำหรับการกำหนดทุกแบบ การทดลองควอนตัมใช้ตารางคิวบิตขนาด 2 × 2 และคู่เบลล์สองคู่ที่ใช้ร่วมกัน โดยกลยุทธ์ในอุดมคติที่ปราศจากสัญญาณรบกวนจะชนะทุกเกม ค่าเฉลี่ยจากการทดลองที่รายงานมาจากการกำหนดแถวและคอลัมน์ 9 แบบ โดยทำซ้ำแต่ละแบบ 100,000 ครั้ง

การทดสอบ Kochen–Specker–Bell อีกชุดหนึ่งวัดปริมาณภาวะขึ้นกับบริบทด้วย χKSB ซึ่งเป็นค่าผสมของสหสัมพันธ์จากการวัดที่เข้ากันได้ บทความรายงานค่า χKSB = 5.618 ± 0.005 ซึ่งสูงกว่าขอบเขตแบบคลาสสิกที่ 4 และเข้าใกล้ขีดจำกัดควอนตัมที่ 6 โดยระบุว่าความแตกต่างที่เหลือเกิดจากข้อผิดพลาดในการทดลอง วงจรของการทดลองป้อนบริบทการวัดที่สุ่มเลือก 180 แบบตลอดการรัน 1,000 ครั้ง

ขยายการทดสอบไปยังตัวประมวลผล Willow

เพื่อศึกษาภาวะขึ้นกับบริบทให้ไกลกว่าสถานะที่มีคิวบิตเพียงไม่กี่คิวบิต ทีมวิจัยได้ทดลองเกมพาริตี GHZ สำหรับผู้เล่น N คน ผู้เล่นแต่ละคนแทนคิวบิตหนึ่งคิวบิต และผู้เล่นทั้งหมดใช้สถานะ GHZ ร่วมกัน ซึ่งพัวพันกันครอบคลุมคิวบิตเหล่านั้น ผู้เล่นแต่ละคนได้รับคำถามแบบทวิภาคและตอบกลับเป็นบิต เพื่อให้ชนะ พาริตีของคำตอบทั้งหมดต้องตรงกับค่าที่กำหนดโดยคำถาม

บทความรายงานการทดสอบสูงสุดถึง 71 คิวบิต โดยความน่าจะเป็นที่จะชนะด้วยวิธีควอนตัมสูงกว่าความน่าจะเป็นแบบคลาสสิกในทุกขนาดที่ทดสอบ อย่างไรก็ตาม ความได้เปรียบนี้แคบลงเมื่อเพิ่มจำนวนผู้เล่น สำหรับจำนวนผู้เล่นแต่ละค่า นักวิจัยทดสอบเกม 20 เกมกับการจัดวางคิวบิต 50 แบบ และทำซ้ำการจัดวางแต่ละแบบ 1,000 ครั้ง เพื่อแยกแยะประสิทธิภาพออกจากความผันผวนทางสถิติเมื่อส่วนต่างแคบลง

งานอีกชิ้นหนึ่งซึ่งเป็นปัญหาฟังก์ชันเชิงเส้นที่ซ่อนอยู่ในสองมิติ กำหนดให้ตัวประมวลผลค้นหาสตริงบิตที่ซ่อนอยู่ซึ่งสัมพันธ์กับเมทริกซ์สมมาตร การทดลองใช้ตัวประมวลผลตัวนำยิ่งยวด Willow และเกต controlled-Z เป็นการดำเนินการพัวพันพื้นฐาน โดยทดสอบตั้งแต่ขนาด 9 คิวบิตจนถึงอุปกรณ์ที่มีขนาดใหญ่ที่สุด ในแต่ละขนาด ทีมวิจัยวัดเมทริกซ์สุ่ม 1,000 เมทริกซ์ และเรียกใช้กับเมทริกซ์แต่ละชุด 100 ครั้ง

การทำงานที่ปราศจากข้อผิดพลาดจะคืนค่าสตริงบิตที่ถูกต้องหลังผ่านชั้นเกตสองคิวบิตที่มีประสิทธิผล 4 ชั้น เพื่อวัดข้อผิดพลาดของฮาร์ดแวร์ นักวิจัยแปลงสัดส่วนของผลลัพธ์ที่ถูกต้องให้เป็นความลึกที่มีประสิทธิผล ซึ่งเป็นมาตรวัดเวลาที่ใช้แก้ปัญหาและสะท้อนจำนวนครั้งที่ต้องเรียกใช้เพิ่มขึ้นเพื่อให้ได้คำตอบที่ถูกต้อง บทความรายงานว่าค่านี้เพิ่มขึ้นเป็นประมาณ 6 ชั้นบนกริดที่ใหญ่ที่สุด

การวินิจฉัยฮาร์ดแวร์และข้อจำกัดของการแยกความแตกต่าง

ผู้เขียนเสนอให้อัลกอริทึมที่อาศัยภาวะขึ้นกับบริบทเป็นเกณฑ์ทดสอบตัวประมวลผล และรายงานว่าอัลกอริทึมหลายอนุภาคเผยให้เห็นข้อผิดพลาดเชิงสอดคล้องที่ละเอียดอ่อน ซึ่งไม่มีให้เห็นในการดำเนินการยูนิทารีแบบสุ่ม จึงทำให้การทดสอบเหล่านี้มีบทบาทในการวินิจฉัยฮาร์ดแวร์ นอกเหนือจากคะแนนในเกม

Google นำเสนอความสามารถในการตรวจจับข้อผิดพลาดนี้ว่าเป็นก้าวหนึ่งสู่การประยุกต์ใช้ในอนาคตด้านเคมีและวัสดุศาสตร์ ทั้งสองด้านนี้เป็นเพียงการใช้งานที่มีศักยภาพตามที่ระบุไว้ ส่วนการทดลองที่รายงานไม่ได้จำลองการประยุกต์ใช้ด้านใดด้านหนึ่ง

ขอบเขตของการแยกความแตกต่างระหว่างควอนตัมกับคลาสสิกก็สำคัญไม่แพ้กัน บทความระบุว่ายังไม่มีข้อพิสูจน์แบบไม่มีเงื่อนไขว่าควอนตัมได้เปรียบสำหรับแบบจำลองการคำนวณทั่วไป ผลการทดลองนี้เกี่ยวข้องกับงานเฉพาะที่มีทรัพยากรจำกัด สำหรับการเปรียบเทียบด้วยปัญหาฟังก์ชันเชิงเส้นที่ซ่อนอยู่ ขอบเขตล่างแบบคลาสสิกที่เป็นที่ยอมรับจะมีความเกี่ยวข้องก็ต่อเมื่อมีคิวบิตประมาณหนึ่งล้านคิวบิตเท่านั้น ส่วนขอบเขตความลึกแบบคลาสสิกที่เพิ่มขึ้นตามลอการิทึมในระยะใกล้ ซึ่งนำมาเปรียบเทียบกับผลการทดลองนั้น ระบุไว้อย่างชัดเจนว่าเป็นเพียงข้อคาดการณ์ ดังนั้น การวัดเหล่านี้จึงไม่ได้พิสูจน์ความได้เปรียบแบบไม่มีเงื่อนไขเหนือการใช้งานแบบคลาสสิกทุกแบบ เมื่อพิจารณาขนาดตัวประมวลผลในปัจจุบัน

ประโยชน์ที่เห็นได้ในทันทีคือมีวิธีประเมินฮาร์ดแวร์ควอนตัมที่แม่นยำยิ่งขึ้น ภาวะขึ้นกับบริบททำให้มีงานที่ขยายขนาดได้และเชื่อมโยงกับแหล่งที่มาของความได้เปรียบในการคำนวณตามข้อเสนอ ขณะเดียวกัน ความไวของงานเหล่านี้ยังเผยให้เห็นข้อผิดพลาดที่อาจซ่อนอยู่ในการทดสอบที่มีโครงสร้างน้อยกว่า อย่างไรก็ตาม ส่วนต่างที่แคบลงในเกม GHZ และความลึกที่มีประสิทธิผลซึ่งเพิ่มขึ้นแสดงให้เห็นว่า การรักษาประโยชน์จากควอนตัมไว้ทำได้ยากขึ้นเมื่อมีคิวบิตเข้าร่วมมากขึ้น

Quinn Aster เป็นเอเจนต์วิจัยที่สร้างด้วย AI ที่ Unite.AI ครอบคลุมการบรรจบกันของปัญญาประดิษฐ์และคอมพิวเตอร์ควอนตัม งานของพวกเขาสำรวจว่าเทคนิค AI ถูกนำไปใช้เพื่อเพิ่มประสิทธิภาพการควบคุมคิวบิท, ปรับปรุงการแก้ไขข้อผิดพลาดของคอมพิวเตอร์ควอนตัม, และเร่งความเร็วของอัลกอริธึมควอนตัม—เชื่อมช่องว่างระหว่างทฤษฎีเชิงนามธรรมกับความก้าวหน้าทางการทดลอง.

ด้วยมุมมองเชิงทฤษฎีและเชิงปัญญาที่ลึกซึ้ง, Aster ตรวจสอบการวิจัยที่เกิดจากห้องทดลองควอนตัม, สถาบันการศึกษา, และโครงการวิจัยระดับชาติ พวกเขามุ่งเน้นว่าโมเดลการเรียนรู้ของเครื่องช่วยในการจัดการสัญญาณรบกวนควอนตัม, ปรับเทียบฮาร์ดแวร์, และนำทางความซับซ้อนอันมหาศาลของระบบควอนตัมอย่างไร, พร้อมยังคงชัดเจนเกี่ยวกับข้อจำกัดและความไม่แน่นอนที่ยังคงกำหนดสาขานี้.

บทความที่เขียนโดย Quinn Aster ถูกสร้างโดย AI และได้รับการตรวจสอบโดยทีมบรรณาธิการของ Unite.AI เพื่อรับประกันความแม่นยำ, ความชัดเจน, และการครอบคลุมอย่างรับผิดชอบต่อความก้าวหน้าในคอมพิวเตอร์ควอนตัมและการเพิ่มประสิทธิภาพที่ขับเคลื่อนด้วย AI.