Quantinuum รายงานความเที่ยงตรงของหน่วยความจำเชิงตรรกะบน Helios ที่ 99.9995%

Quantinuum รายงานผลด้านการแก้ไขข้อผิดพลาดควอนตัม ซึ่งทำให้ข้อกำหนดสำคัญประการหนึ่งของการประมวลผลควอนตัมที่ใช้งานได้จริงชัดเจนขึ้น นั่นคือการรักษาข้อมูลควอนตัมให้คงอยู่ได้นานพอที่จะนำไปใช้ทำสิ่งที่มีประโยชน์ บนคอมพิวเตอร์ควอนตัมแบบไอออนกักขัง Helios บริษัทวัดความเที่ยงตรงของหน่วยความจำเชิงตรรกะได้ 99.9995% ต่อวงจรตรวจสอบข้อผิดพลาด ซึ่งเทียบเท่ากับความล้มเหลวเชิงตรรกะประมาณ 5 ครั้งต่อหนึ่งล้านวงจร

ผลดังกล่าวประกาศเมื่อวันที่ 19 ตุลาคม และลดอัตราความผิดพลาดลง 10 เท่าเมื่อเทียบกับสถิติเดิมที่บริษัทเคยรายงาน Quantinuum ระบุว่าผลนี้ช่วยเสริมความน่าเชื่อถือให้กับ Apollo ซึ่งเป็นระบบทนทานต่อความผิดพลาดแบบสากลที่บริษัทวางแผนไว้และตั้งเป้าเปิดตัวในปี 2029 อย่างไรก็ตาม การทดลองนี้เป็นการทดสอบประสิทธิภาพหน่วยความจำครั้งสำคัญ ไม่ใช่การสาธิตแอปพลิเคชันที่มีประโยชน์ครบวงจรซึ่งทำงานด้วยความแม่นยำระดับดังกล่าว

งานวิจัยที่เผยแพร่พร้อมกันยังชี้ให้เห็นถึงความเชื่อมโยงที่เพิ่มขึ้นระหว่าง AI กับการประมวลผลควอนตัม กล่าวคือ โครงข่ายประสาทเทียมสามารถช่วยตีความการวัดข้อผิดพลาดได้อย่างรวดเร็วพอที่จะรองรับการแก้ไขข้อผิดพลาดแบบเรียลไทม์ในอนาคต การทำความเข้าใจสิ่งที่วัดได้และวิธีทดสอบตัวถอดรหัสเหล่านั้นเป็นสิ่งสำคัญต่อการประเมินความก้าวหน้านี้

ผลการวัดความเที่ยงตรง 99.9995% บอกอะไร

คิวบิตทางกายภาพเปราะบางต่อสิ่งรบกวนที่ทำให้สถานะควอนตัมเสียหาย การแก้ไขข้อผิดพลาดกระจายข้อมูลไปยังคิวบิตทางกายภาพหลายตัวเพื่อสร้างคิวบิตเชิงตรรกะ ขณะที่การวัดเพิ่มเติมช่วยบ่งชี้ข้อผิดพลาดโดยไม่ต้องอ่านข้อมูลที่ได้รับการปกป้องโดยตรง

การทดสอบสำคัญคือการเพิ่มการปกป้องช่วยลดอัตราความผิดพลาดเชิงตรรกะได้จริงหรือไม่ หากอัตราความผิดพลาดต่ำกว่าเกณฑ์ของการแก้ไขข้อผิดพลาด รหัสที่มีขนาดใหญ่ขึ้นก็ควรทำงานได้ดีขึ้น แต่หากสูงกว่าเกณฑ์ การดำเนินการเพิ่มเติมที่จำเป็นต่อการรักษารหัสไว้อาจก่อให้เกิดสัญญาณรบกวนมากเกินไป

ในงานวิจัยเรื่อง การแก้ไขข้อผิดพลาดควอนตัมที่ต่ำกว่าเกณฑ์ของรหัสสีอย่างมาก นักวิจัยของ Quantinuum ทดสอบรหัสสีที่ระยะสาม ห้า และเจ็ด ระยะของรหัสใช้บ่งบอกระดับการปกป้อง อัตราความผิดพลาดของหน่วยความจำเชิงตรรกะที่วัดได้ลดลงจากประมาณ 5.5 ใน 10,000 ต่อวงจรที่ระยะสาม เป็น 3.8 ใน 100,000 ที่ระยะห้า และอยู่ที่ประมาณ 5 ในหนึ่งล้านที่ระยะเจ็ด

การทดลองหน่วยความจำครั้งใหญ่ที่สุดใช้คิวบิตทางกายภาพ 73 ตัว รวมถึงคิวบิตเสริมสำหรับการวัด เพื่อปกป้องคิวบิตเชิงตรรกะหนึ่งตัว ค่าประมาณนี้มาจากความล้มเหลว 3 ครั้งในการทดลอง 29,000 รอบ โดยแต่ละรอบมีการแก้ไขข้อผิดพลาด 20 ครั้ง เนื่องจากพบความล้มเหลวเพียงเล็กน้อย ความไม่แน่นอนทางสถิติจึงมีความสำคัญ งานวิจัยรายงานค่าประมาณความผิดพลาดกึ่งกลางที่ 5 ครั้งต่อล้าน โดยช่วงความเชื่อมั่นหนึ่งส่วนเบี่ยงเบนมาตรฐานครอบคลุมตั้งแต่ประมาณ 3 ถึง 9 ครั้งต่อล้าน

ผลดังกล่าวเป็นหลักฐานที่ชัดเจนว่าการปกป้องมีประสิทธิภาพเพิ่มขึ้น แต่ไม่ได้หมายความว่ามีการประมวลผลเกตควอนตัมแบบใดก็ได้หนึ่งล้านเกต หรือดำเนินการหนึ่งล้านขั้นตอนของอัลกอริทึมเชิงพาณิชย์โดยปราศจากข้อผิดพลาด

เหตุใด Helios จึงทดสอบรหัสแก้ไขข้อผิดพลาดได้หลายแบบ

รายงานทางเทคนิคเกี่ยวกับการทดลองของ Quantinuum เน้นย้ำถึงการปรับปรุงที่ทำบนฮาร์ดแวร์ Helios เครื่องเดิมซึ่งใช้ในการทดลองก่อนหน้านี้ แพลตฟอร์มนี้ใช้ไอออนกักขังและมีการเชื่อมต่อที่ทำให้เกิดปฏิสัมพันธ์ได้ไกลกว่าผังการเชื่อมต่อแบบเพื่อนบ้านใกล้ที่สุดที่ตายตัว ความยืดหยุ่นดังกล่าวช่วยให้นักวิจัยเปลี่ยนแนวทางการแก้ไขข้อผิดพลาดได้โดยไม่ต้องออกแบบโปรเซสเซอร์ใหม่ให้รองรับรหัสเพียงแบบเดียว

งานใหม่นี้ยังจัดการกับปัญหาการรั่วไหล ซึ่งเกิดขึ้นเมื่อไอออนออกจากสถานะที่ใช้แทนคิวบิต การรั่วไหลอาจทำให้เกิดข้อผิดพลาดที่สัมพันธ์กัน ซึ่งส่งผลเสียอย่างยิ่งต่อวิธีการแก้ไขข้อผิดพลาด นักวิจัยใช้การปั๊มกลับด้วยแสง ซึ่งทำให้ไอออนที่รั่วไหลกลับสู่สถานะคำนวณได้ ควบคู่กับเทคนิคด้านวงจรที่ออกแบบมาเพื่อจำกัดการแพร่กระจายของข้อผิดพลาด

สำหรับระยะของรหัสที่ทดสอบ อัตราความผิดพลาดของหน่วยความจำเชิงตรรกะดีขึ้นประมาณ 12 เท่าทุกครั้งที่เพิ่มระยะขึ้นสองระดับ การทดลองเกต Clifford สองคิวบิตอีกชุดหนึ่งแสดงให้เห็นว่าความผิดพลาดลดลงประมาณ 9 เท่าเมื่อเพิ่มระยะจากสามเป็นห้า การทดสอบทั้งสองเกี่ยวข้องกันแต่เป็นเกณฑ์วัดคนละประเภท จึงไม่ควรนำค่าความเที่ยงตรงของหน่วยความจำที่พาดหัวกล่าวถึงไปใช้กับผลการทดสอบเกต

AI ช่วยถอดรหัสสัญญาณข้อผิดพลาด

การแก้ไขข้อผิดพลาดควอนตัมต้องอาศัยตัวถอดรหัสแบบคลาสสิกเพื่อตีความรูปแบบการวัดและระบุข้อผิดพลาดที่มีแนวโน้มเกิดขึ้นมากที่สุด การมีฮาร์ดแวร์ทางกายภาพที่ดีขึ้นเพียงอย่างเดียวยังไม่เพียงพอ หากการตีความนั้นทำได้ไม่ทันความเร็วของโปรเซสเซอร์

งานวิจัยเปรียบเทียบแนวทางหลายแบบ ซึ่งรวมถึงตัวถอดรหัสแบบค้นหา A* ที่ชื่อ Tesseract ตัวถอดรหัสแบบสตรีมมิงที่ชื่อ Frontier โครงข่ายประสาทเทียมแบบคอนโวลูชันสามมิติ และทรานส์ฟอร์เมอร์แบบโทเค็นรอบเวลา โมเดลโครงข่ายประสาทเทียมได้รับการฝึกด้วยข้อมูลจากเครื่องจำลอง Helios แล้วนำไปใช้กับข้อมูลจากการทดลอง โดยไม่ได้ปรับแต่งเพิ่มเติมด้วยข้อมูลจากฮาร์ดแวร์

AI มีบทบาทเฉพาะในงานนี้ คือการระบุรูปแบบข้อผิดพลาดในการวัดควอนตัม โมเดลเหล่านี้ไม่ได้เข้ามาแทนที่โปรเซสเซอร์ควอนตัม และไม่ได้สาธิตแอปพลิเคชัน AI สำหรับใช้งานทั่วไป คุณค่าของโมเดลอยู่ที่การสร้างสมดุลระหว่างความแม่นยำในการถอดรหัสกับความเร็วที่จำเป็นต่อการแก้ไขข้อผิดพลาดซ้ำอย่างต่อเนื่อง

นักวิจัยรายงานว่า เวลาอนุมานของโครงข่ายประสาทอยู่ในระดับหลายร้อยไมโครวินาที ซึ่งเร็วพอสำหรับการทำงานแบบเรียลไทม์บนฮาร์ดแวร์ประเภทนี้ ที่สำคัญ การถอดรหัสทั้งหมดในการศึกษานี้ทำแบบออฟไลน์ การทดสอบแบบสตรีมป้อนผลการวัดเข้ามาทีละรอบเพื่อประเมินเวลา แต่ไม่ได้แสดงให้เห็นว่าเครื่องถอดรหัสโครงข่ายประสาทควบคุมวงจรป้อนกลับแบบเรียลไทม์ตลอดการทดลอง

ข้อแตกต่างนี้แสดงให้เห็นว่ายังมีหมุดหมายด้านวิศวกรรมที่ต้องไปให้ถึง แต่ไม่ได้ลดทอนความสำคัญของผลลัพธ์นี้ กล่าวคือ แบบจำลองที่ฝึกด้วยการจำลองสามารถแปลความผิดพลาดจากเครื่องควอนตัมจริงได้สำเร็จ

สิ่งที่ยังต้องทำก่อนก้าวจากสถิติด้านหน่วยความจำไปสู่การประมวลผลที่ใช้งานได้จริง

Quantinuum ระบุว่าผลลัพธ์นี้เป็นสถิติโลก และกล่าวว่าขณะนี้ความแม่นยำอยู่ในช่วงเป้าหมายของ Apollo แล้ว อย่างไรก็ตาม คำกล่าวเหล่านี้ควรพิจารณาควบคู่กับข้อกำหนดที่ครอบคลุมกว่าของการประมวลผลแบบทนต่อความผิดพลาด ระบบที่ใช้งานได้จริงต้องปกป้องคิวบิตเชิงตรรกะจำนวนมาก ดำเนินการกับชุดเกตที่หลากหลายเพียงพอ คงการแก้ไขข้อผิดพลาดไว้ระหว่างการคำนวณ และมีปริมาณงานมากพอที่จะประมวลผลภาระงานที่มีคุณค่าให้เสร็จสิ้น

แม้แต่ในการศึกษานี้ก็ยังเห็นข้อจำกัดด้านทรัพยากร นักวิจัยไม่ได้ทำการทดลองเกตสองคิวบิตที่ระยะเจ็ด เพราะต้องใช้จำนวนคิวบิตเกินกว่าที่ Helios มีอยู่ บล็อกของบริษัทยังระบุด้วยว่า การเตรียมสถานะเมจิกที่ปรับขนาดได้และต่ำกว่าเกณฑ์ ซึ่งจำเป็นต่อแนวทางสำคัญสู่การประมวลผลแบบทนต่อความผิดพลาดที่เป็นสากล ยังเป็นสิ่งที่ต้องแสดงให้เห็นต่อไป

แผนงานของ Quantinuum ประกอบด้วยระบบ Sol ในปี 2027 และ Apollo ในปี 2029 ซึ่งทั้งสองยังเป็นเป้าหมายในการพัฒนา หลักฐานที่มีอยู่ในขณะนี้มีขอบเขตแคบกว่า แต่ก็มีความหมาย กล่าวคือ การปรับเปลี่ยนโค้ด การควบคุมการรั่วไหล และการปรับปรุงการถอดรหัสบนฮาร์ดแวร์ที่มีอยู่ ช่วยลดข้อผิดพลาดของหน่วยความจำเชิงตรรกะได้อย่างมาก

สำหรับอุตสาหกรรมควอนตัม ผลลัพธ์นี้ทำให้ความสนใจหันไปสู่คำถามที่ท้าทายยิ่งกว่าการถามว่าโปรเซสเซอร์สามารถแสดงการแก้ไขข้อผิดพลาดได้หรือไม่ นั่นคือการปกป้องดังกล่าวจะขยายขนาดไปครอบคลุมกลไกทั้งหมดของการประมวลผลที่ใช้งานได้จริงได้หรือไม่ สำหรับนักวิจัยด้าน AI ผลลัพธ์นี้เป็นตัวอย่างที่ชัดเจนว่าการเรียนรู้ของเครื่องมีส่วนช่วยในความพยายามดังกล่าวได้ในระดับโครงสร้างพื้นฐานด้านการควบคุม