คอมพิวติ้งควอนตัม

Tessa ของ Moth เข้ารหัสและกู้คืนค่า 1,568 ค่าบนชิป 120 คิวบิต

Quinn Aster
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญเทสซาโหลดข้อมูลคลาสสิกใดก็ได้ทั่วทั้งชิปโดยไม่ต้องใช้เกต SWAP หรือคิวบิตช่วย
ดูเพิ่มเติม
  • เทสซาโหลดข้อมูลคลาสสิกใดก็ได้ทั่วทั้งชิปโดยไม่ต้องใช้เกต SWAP หรือคิวบิตช่วย
  • โหมดคู่เพิ่มความหนาแน่นในการจัดเก็บเป็นสองเท่า แต่เพิ่มความลึกของวงจรและลดความสัมพันธ์ของค่าเหลือ 0.69
  • คำถามที่ยังไม่มีคำตอบคือการคำนวณในภายหลังจะใช้สถานะที่เข้ารหัสได้หรือไม่โดยไม่ต้องสร้างใหม่ทั้งหมด

Moth ประกาศเปิดตัว Tessa เมื่อวันที่ 16 พฤศจิกายน 2026 โดยรายงานว่าวิธีนี้เข้ารหัสและกู้คืนค่าจำนวนจริง 1,568 ค่าจากคิวบิตทั้ง 120 ตัวของโปรเซสเซอร์ Phoenix Nighthawk r2 ของ IBM ผลงานนี้มุ่งแก้ปัญหาที่เป็นอุปสรรคต่อการเรียนรู้ของเครื่องควอนตัมมาอย่างต่อเนื่อง นั่นคือการโหลดข้อมูลแบบดั้งเดิมลงในคิวบิตที่เปราะบางบนฮาร์ดแวร์ซึ่งมีการเชื่อมต่ออย่างเบาบาง

บทความวิจัยของ Daniel Bultrini ระบุขอบเขตของสถิติที่กล่าวอ้างไว้อย่างชัดเจน ได้แก่ การทดลองที่โหลดรายการตัวเลขซึ่งเลือกได้อย่างอิสระลงในโปรเซสเซอร์ควอนตัมจริง แล้วดึงค่าแต่ละค่ากลับมา โดยไม่นับการทดลองที่ให้ผลลัพธ์เป็นเพียงค่าที่คำนวณขึ้นมา ภายใต้นิยามนี้ QCrank เคยกู้คืนค่า 128 ค่าจากคิวบิตไอออนดักจับ 12 ตัว ส่วนการทดลองอีกชุดหนึ่งของ Fez กู้คืนพิกเซลได้ 1,024 พิกเซลจาก 13 คิวบิต แต่ไม่อาจนำมาเปรียบเทียบโดยตรงได้ เพราะใช้ค่าประมาณแบบเทนเซอร์เน็ตเวิร์กที่ผ่านการฝึก แทนที่จะใช้รายการค่าจำนวนจริงที่กำหนดได้อย่างอิสระ ดังนั้น บทความวิจัยจึงระบุว่าการทดลองของ Tessa เป็นการทดลองที่มีขนาดใหญ่ที่สุดเท่าที่มีรายงานภายใต้นิยามนี้

Tessa ใช้การเดินสายบนชิปอย่างไร

Tessa เป็นชื่อย่อของ Tessellated QPIXL โดยจัดเรียงคิวบิตข้อมูลสลับกับคิวบิตแอดเดรสเป็นลายตารางหมากรุกตามแนวการเชื่อมต่อทางกายภาพของโปรเซสเซอร์ คิวบิตข้อมูลแต่ละตัวจะถูกควบคุมโดยคิวบิตแอดเดรสที่อยู่ติดกันเท่านั้น และคิวบิตแอดเดรสเหล่านี้อาจใช้ร่วมกันระหว่างคิวบิตข้อมูลที่อยู่ใกล้เคียงได้ คิวบิตแอดเดรสที่เพิ่มขึ้นแต่ละตัวจะเพิ่มความจุในการจัดเก็บของคิวบิตข้อมูลเป็นสองเท่า ดังนั้นคิวบิตที่อยู่ด้านในซึ่งมีเพื่อนบ้านสี่ตัวจึงเก็บค่าได้ 16 ค่า

โครงสร้างนี้ใช้ได้กับกราฟการเชื่อมต่อแบบสองส่วนทุกรูปแบบ ซึ่งตัวเชื่อมแต่ละตัวจะเชื่อมคิวบิตข้อมูลเข้ากับคิวบิตแอดเดรส การใช้ผังการเชื่อมต่อของอุปกรณ์เองช่วยหลีกเลี่ยงเกต SWAP และการกำหนดเส้นทาง ทั้งยังไม่ต้องใช้คิวบิตแอนซิลลาหรือคิวบิตช่วย บทความวิจัยพิสูจน์ว่าค่าบนคิวบิตข้อมูลแต่ละตัวยังคงกู้คืนได้อย่างเป็นอิสระ แม้จะใช้ตัวควบคุมร่วมกัน

ค่าทั้งหมดที่จัดเก็บไว้ในฐานเดียวสามารถถอดรหัสได้จากการวัดในฐานคำนวณเพียงรอบเดียวทั่วทั้งชิป Tessa ยังจัดเก็บตัวเลขตัวที่สองไว้ในเฟสของแต่ละช่องได้ด้วย การทดลองบน Phoenix ใช้โหมดจับคู่นี้จัดเก็บค่าความสว่างและเฉดสีของภาพ โดยใส่ตัวเลขสองค่าไว้ในแต่ละช่องจากทั้งหมด 784 ช่องที่ใช้งาน ส่วนช่องที่เหลือเก็บค่าเป็นศูนย์ เพื่อให้คิวบิตทุกตัวมีส่วนร่วม

ความหนาแน่นระดับนี้มีต้นทุนอยู่สองประการ โหมดจับคู่เพิ่มจำนวนฐานการวัดและทำให้ความลึกของวงจรเพิ่มขึ้นเป็นสองเท่า โดยทั่วไปแล้ว จำนวนช็อตจะถูกแบ่งไปตามการกำหนดค่าแอดเดรสเฉพาะที่ ดังนั้นจำนวนช็อตที่ต้องใช้เพื่อให้ได้ความแม่นยำเทียบเท่ากันจึงเพิ่มขึ้นแบบเอ็กซ์โพเนนเชียลตามดีกรีการเชื่อมต่อเฉพาะที่ แม้ในการทดลองจะควบคุมดีกรีดังกล่าวให้อยู่ในระดับต่ำ

ฮาร์ดแวร์กู้คืนข้อมูลอะไรได้บ้าง

การทดสอบแบบฐานเดียวใช้ 8,192 ช็อตต่อฐาน เพื่อกู้คืนภาพ QCAT ขนาด 28 คูณ 28 พิกเซล โดยใช้ 784 จากทั้งหมด 792 ช่องของ Phoenix และภาพขนาด 21 คูณ 21 พิกเซล โดยใช้ 441 จากทั้งหมด 448 ช่องของ Fez บทความวิจัยรายงานค่าสหสัมพันธ์ของค่าข้อมูลจากฮาร์ดแวร์โดยตรงที่ 0.96 บน Phoenix และ 0.95 บน Fez โดยมีค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยเท่ากับ 0.130 และ 0.131 ตามลำดับ การกู้คืนช่วงไดนามิกซึ่งใช้ค่าสถิติสรุปของข้อมูลนำเข้าแทนตัวข้อมูลเอง ช่วยลดค่าความคลาดเคลื่อนเหล่านั้นเหลือ 0.075 และ 0.078 การทดลองไม่ได้ใช้การลดผลกระทบจากข้อผิดพลาด

การทดลองแบบจับคู่ที่กู้คืนค่า 1,568 ค่ามีความแม่นยำน้อยกว่า โดยบทความวิจัยรายงานค่าสหสัมพันธ์ของค่าข้อมูลที่ 0.69 ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยของค่าข้อมูลที่ 0.152 และค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยของเฉดสีที่ 0.092 บน Phoenix วงจรของการทดลองนี้ใช้เกต CZ แบบสองคิวบิต 1,456 เกต เทียบกับ 728 เกตในการทดลองแบบฐานเดียวบน Phoenix ดังนั้น การกู้คืนข้อมูลจากคิวบิตทั่วทั้งชิปจึงทำได้บนกราฟการเชื่อมต่อสองรูปแบบ แต่การกู้คืนค่าเฟสตัวที่สองต้องใช้วงจรที่ซับซ้อนขึ้นและให้คุณภาพการสร้างข้อมูลกลับคืนต่ำลง

การทดสอบข้อมูลชีวภาพและโค้ดสาธารณะ

นอกเหนือจากงานศิลปะพิกเซลแล้ว การทดลองยังครอบคลุมเสียง MIDI ลำดับดีเอ็นเอ และลำดับกรดอะมิโนของโปรตีน รวมถึง p53 ผู้วิจัยเลือกใช้ลำดับทางชีวภาพเหล่านี้ตามความยาวหรือชื่อ ไม่ใช่ตามคุณสมบัติทางชีววิทยา การทดสอบเหล่านี้จึงเป็นการทดสอบการจัดการข้อมูล ไม่ใช่การวิเคราะห์ทางชีววิทยา

ที่ 32,768 ช็อตต่อการวัด บทความวิจัยรายงานว่า Phoenix กู้คืนลำดับ MT-CO3 ซึ่งมีนิวคลีโอไทด์ 784 ตัวได้อย่างถูกต้องตรงกันทุกตัว 92.1% โดยไม่ผ่านการประมวลผลภายหลัง และ 92.3% เมื่อใช้วิธีกู้คืนช่วงไดนามิกที่ให้ผลดีที่สุดในการทดสอบ โดยเลือกวิธีดังกล่าวจากการใช้ลำดับจริงเป็นเกณฑ์ การกู้คืนลำดับโปรตีนที่มีการบรรจุข้อมูลหนาแน่นยังให้ผลแย่กว่า บทความวิจัยเตือนว่าแม้นิวคลีโอไทด์หรือกรดอะมิโนจะผิดเพียงหนึ่งตำแหน่ง ก็อาจส่งผลร้ายแรงทางชีววิทยาได้

Moth ระบุว่า Tessa พร้อมใช้งานสำหรับการทดลองประมวลผลภาพบนแพลตฟอร์ม Atlas ของบริษัท เอกสารประกอบของคลังเก็บโค้ดมีไลบรารี จำนวนผลการวัดดิบจากฮาร์ดแวร์ บันทึกงาน ผลลัพธ์จากการจำลอง และสมุดบันทึกที่ใช้สร้างรูปและตารางในบทความวิจัยขึ้นใหม่ได้โดยไม่ต้องมีบัญชี IBM บันทึกการทำงานระบุว่าการทดลอง QCAT หลักบน Phoenix และ Fez เกิดขึ้นเมื่อวันที่ 26 กันยายน 2026 ส่วนการทดลองด้านพันธุกรรมและงานศิลปะพิกเซลที่เกิดขึ้นภายหลังอยู่ในเดือนตุลาคม 2026 จึงแยกช่วงเวลาที่ทำงานบนฮาร์ดแวร์ออกจากช่วงที่ประกาศข่าวในเดือนพฤศจิกายน

สิ่งที่ Tessa มอบให้ในระยะสั้นคือวิธีโหลดและตรวจสอบข้อมูลแบบดั้งเดิมทั่วทั้งโปรเซสเซอร์ โดยคำนึงถึงลักษณะเฉพาะของฮาร์ดแวร์ สำหรับการเรียนรู้ของเครื่องควอนตัม คำถามสำคัญที่ยังไม่มีคำตอบคือ การคำนวณขั้นต่อไปจะใช้ประโยชน์จากสถานะที่เข้ารหัสไว้ได้หรือไม่โดยไม่ต้องเสียต้นทุนในการสร้างข้อมูลกลับคืนทั้งหมด พร้อมทั้งควบคุมการเพิ่มขึ้นของจำนวนช็อตและข้อผิดพลาดจากการเข้ารหัสแบบจับคู่ที่หนาแน่นขึ้น

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.