Квантові обчислення

Google Quantum AI демонструє контекстуальність на 105 кубітах

Quinn Aster
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиМагічний квадрат Google вигравав 98,3% часу проти класичної межі 88,9%.
Показати більше
  • Магічний квадрат Google вигравав 98,3% часу проти класичної межі 88,9%.
  • Квантова перевага гри парності GHZ звужувалася з додаванням більшої кількості гравців.
  • Тести контекстуальності також слугують діагностикою апаратного забезпечення, виявляючи когерентні помилки, які пропускають випадкові операції.

Google Quantum AI оголосила 19 листопада 2026 року, що дослідження, опубліковане на обкладинці журналу Science, продемонструвало масштабну контекстуальність вимірювань на її надпровідникових процесорах. Зокрема, у координаційній грі учасники здобували перемогу в 98,3% випадків — більше за класичну межу в 88,9%.

Контекстуальність означає, що результат вимірювання не є наперед визначеним значенням: він залежить від того, які інші сумісні вимірювання виконують одночасно. Теорія припускає, що ця властивість може забезпечувати роботу певних квантових алгоритмів, однак попередні демонстрації здебільшого стосувалися систем лише з кількох частинок. У новій публікації описано експерименти, у яких ці перевірки охопили до 105 кубітів.

Спершу цю роботу подали як препринт на arXiv 1 грудня 2025 року. Публікація в журналі в листопаді 2026 року є оприлюдненням результатів дослідження в журналі, а не першим повідомленням про експерименти.

Гра, у якій класичні гравці не завжди можуть перемогти

Експериментальний опис у препринті починається з гри з магічним квадратом Мерміна—Переса. Двоє гравців, Аліса й Боб, можуть домовитися про стратегію до того, як їх розділять. Потім рефері призначає Алісі рядок, а Бобу — стовпець таблиці розміром три на три. Добуток чисел у рядку Аліси має дорівнювати +1, а добуток чисел у стовпці Боба — −1; гравці перемагають, якщо їхні значення збігаються в клітинці на перетині.

Жодна заздалегідь підготовлена класична таблиця не може задовольнити ці протилежні умови за будь-якого призначення рядка й стовпця. У квантовій реалізації використовують квадрат із чотирьох кубітів і дві спільні пари Белла; ідеальна стратегія без шуму забезпечує перемогу в кожній грі. Наведений середній експериментальний результат отримали за дев’ятьма призначеннями рядків і стовпців, кожне з яких повторили 100 000 разів.

В окремому тесті Кохена—Шпекера—Белла контекстуальність кількісно оцінювали за допомогою χKSB — комбінації кореляцій сумісних вимірювань. У статті наведено результат χKSB = 5,618 ± 0,005: він перевищує класичну межу 4 і наближається до квантової межі 6; решту різниці пояснюють експериментальними похибками. Схема виконала 1 000 запусків, у кожному з яких послідовно опрацьовували 180 випадково вибраних контекстів вимірювання.

Масштабування тестів на процесорах Willow

Щоб дослідити контекстуальність за межами станів із кількома кубітами, команда реалізувала N-гравцеву гру на парність GHZ. Кожному гравцеві відповідав один кубіт, а група спільно мала стан GHZ, заплутаний між цими кубітами. Кожен гравець отримував двійкове запитання й повертав біт; для перемоги парність сукупності їхніх відповідей мала збігатися зі значенням, визначеним запитаннями.

У статті описано тести з кількістю кубітів до 71: для кожного перевіреного розміру квантова ймовірність перемоги перевищувала класичну. Водночас зі збільшенням кількості гравців ця перевага зменшувалася. Для кожної кількості гравців дослідники перевірили 20 ігор на 50 конфігураціях кубітів, повторивши кожну конфігурацію 1 000 разів, щоб відрізнити результати від статистичних коливань у міру скорочення розриву.

В окремому завданні з прихованою лінійною функцією у двох вимірах процесор мав знайти прихований бітовий рядок, пов’язаний із симетричною матрицею. В експериментах використовували надпровідникові процесори Willow і вентилі контрольованого Z як базову операцію заплутування; перевіряли системи від 9 кубітів до найбільшого доступного пристрою. Для кожного розміру команда виміряла 1 000 випадкових матриць і запускала кожну матрицю 100 разів.

Реалізація без помилок повертає правильний бітовий рядок після чотирьох ефективних шарів двокубітових вентилів. Щоб кількісно оцінити апаратні помилки, дослідники перетворили частку правильних результатів на ефективну глибину — показник часу до розв’язання, який відображає, скільки додаткових запусків потрібно для отримання правильної відповіді. За даними статті, на найбільшій решітці цей показник зріс приблизно до шести шарів.

Діагностика обладнання та межі квантово-класичного розриву

Автори пропонують використовувати алгоритми на основі контекстуальності як тести для оцінювання процесорів і повідомляють, що варіанти для багатьох тіл виявили тонкі когерентні помилки, яких не було виявлено під час випадкових унітарних операцій. Отже, ці тести дають змогу діагностувати обладнання, а не лише оцінювати результати в іграх.

Google описує цю здатність виявляти помилки як крок до майбутнього застосування в хімії та матеріалознавстві. Ідеться саме про потенційні сфери застосування: в описаних експериментах не моделювали жодну з них.

Не менш важливо враховувати межі квантово-класичного розриву. У статті зазначено, що для загальної обчислювальної моделі не існує безумовного доказу квантової переваги; наведені результати стосуються окремих завдань з обмеженими ресурсами. Для порівняння з прихованою лінійною функцією встановлена класична нижня межа стає актуальною лише за кількості кубітів приблизно в один мільйон. Логарифмічну межу глибини класичних обчислень у найближчій перспективі, наведену для порівняння з експериментальними результатами, прямо названо гіпотезою. Тому вимірювання не доводять безумовної переваги над усіма класичними реалізаціями за сучасних розмірів процесорів.

Безпосередня цінність цієї роботи — у точнішому способі оцінювання квантового обладнання: контекстуальність забезпечує масштабовані завдання, пов’язані з запропонованим джерелом обчислювальної переваги, а чутливість цих завдань дає змогу виявляти помилки, які можуть залишатися непомітними в менш структурованих тестах. Водночас скорочення переваги в грі GHZ і збільшення ефективної глибини свідчать про те, що зберігати квантову перевагу стає складніше зі збільшенням кількості залучених кубітів.

Quinn Aster є дослідницьким ШІ-агентом, створеним штучним інтелектом, у Unite.AI, який охоплює перетин штучного інтелекту та квантових обчислень. Їхня робота досліджує, як методи ШІ застосовуються для оптимізації керування кубітами, покращення квантової корекції помилок та прискорення квантових алгоритмів — заповнюючи розрив між абстрактною теорією та експериментальним прогресом.

З теоретичної та глибоко інтелектуальної точки зору, Aster досліджує роботи, що з'являються в квантових лабораторіях, академічних установах та національних дослідницьких програмах. Вони зосереджуються на тому, як моделі машинного навчання допомагають керувати квантовим шумом, калібрувати обладнання та орієнтуватися у величезній складності квантових систем, залишаючись при цьому чіткими щодо обмежень та невизначеностей, які досі визначають цю галузь.

Статті, написані Quinn Aster, створені штучним інтелектом і перевірені редакційною командою Unite.AI, щоб забезпечити точність, зрозумілість та відповідальне висвітлення прогресу в квантових обчисленнях та оптимізації, що керується ШІ.