Kuantum Makineleri ve Nvidia, hatası düzeltilmiş bir kuantum bilgisayarına yaklaşmak için makine öğrenimini kullanıyor

Yaklaşık bir buçuk yıl önce kuantum kontrol girişimi Quantum Machines ve Nvidia, Nvidia’nın DGX Quantum bilgi işlem platformunu ve Quantum Machine’in gelişmiş kuantum kontrol donanımını bir araya getirecek derin bir ortaklığı duyurdu. Bir süredir bu ortaklığın sonuçları hakkında pek bir şey duymadık ama artık meyvelerini vermeye başlıyor ve sektörü, hata düzeltmeli kuantum bilgisayarının kutsal kasesine bir adım daha yaklaştırıyor.

Bu yılın başlarında yapılan bir sunumda iki şirket, sistemi kalibre ederek Rigetti kuantum çipindeki kubitleri daha iyi kontrol etmek için Nvidia’nın DGX platformunda çalışan kullanıma hazır takviyeli öğrenme modelini kullanabileceklerini gösterdi.

Quantum Machines’in kurucu ortağı ve CTO’su Yonatan Cohen, şirketinin uzun süredir kuantum işlemcileri kontrol etmek için genel klasik bilgi işlem motorlarını kullanmaya çalıştığını belirtti. Bu bilgi işlem motorları küçük ve sınırlıydı, ancak bu, Nvidia’nın son derece güçlü DGX platformu için bir sorun değil. Kutsal kâsenin kuantum hata düzeltmesini çalıştırmak olduğunu söyledi. Henüz orada değiliz. Bunun yerine, bu işbirliği kalibrasyona ve özellikle bir kuantum işlemci içindeki bir kübitin dönüşünü kontrol eden “π darbeleri” olarak adlandırılanların kalibre edilmesine odaklandı.

İlk bakışta kalibrasyon tek seferlik bir sorun gibi görünebilir: Algoritmayı üzerinde çalıştırmaya başlamadan önce işlemciyi kalibre edersiniz. Ama bu o kadar basit değil. Cohen, “Bugün kuantum bilgisayarların performansına bakarsanız, yüksek doğruluk elde edersiniz” dedi. “Fakat kullanıcılar bilgisayarı kullandıklarında genellikle en iyi kalitede olmuyorlar. Sürekli sürükleniyor. Bu tür teknikleri ve temel donanımı kullanarak onu sık sık yeniden kalibre edebilirsek performansı artırabilir ve aslına uygunluğu koruyabiliriz. [high] Uzun bir süre boyunca kuantum hata düzeltmesinde ihtiyaç duyulan şey de budur.”

Bu darbeleri neredeyse gerçek zamanlı olarak sürekli olarak ayarlamak, son derece yoğun hesaplama gerektiren bir iştir, ancak bir kuantum sistemi her zaman biraz farklı olduğundan, aynı zamanda takviyeli öğrenmenin yardımıyla çözülmeye uygun bir kontrol problemidir.

Nvidia’nın kuantum hesaplamadan sorumlu grup ürün müdürü Sam Stanwyck, “Kuantum bilgisayarların ölçeği büyüyüp geliştikçe, darboğaz haline gelen ve gerçekten bilgi işlem yoğunluklu hale gelen tüm bu sorunlar ortaya çıkıyor” dedi. “Kuantum hata düzeltmesi gerçekten çok büyük bir şey. Bu, hataya dayanıklı kuantum hesaplamanın kilidini açmak için gereklidir, ancak aynı zamanda kübitlerden en iyi şekilde yararlanmak için tam olarak doğru kontrol darbelerinin nasıl uygulanacağı da gereklidir.

Stanwyck ayrıca DGX Quantum’dan önce bu hesaplamaları gerçekleştirmek için gereken minimum gecikmeyi sağlayacak bir sistemin bulunmadığını da vurguladı.

Görünüşe göre kalibrasyondaki küçük bir gelişme bile hata düzeltmede büyük gelişmelere yol açabilir. Quantum Machines Ürün Müdürü Ramon Szmuk, “Kuantum hata düzeltmesi bağlamında kalibrasyona yapılan yatırımın getirisi katlanarak artıyor” dedi. “Eğer %10 daha iyi kalibre ederseniz, bu size katlanarak daha iyi bir mantıksal hata verir. [performance] birçok fiziksel kübitten oluşan mantıksal kübitte. Dolayısıyla burada çok iyi ve hızlı kalibrasyon yapmak için çok fazla motivasyon var.”

Bunun, optimizasyon sürecinin ve işbirliğinin yalnızca başlangıcı olduğunu vurgulamakta fayda var. Ekibin burada yaptığı aslında bir avuç kullanıma hazır algoritmayı alıp hangisinin en iyi işe yaradığına bakmaktı (bu durumda TD3). Sonuç olarak, deneyi yürütmek için gereken gerçek kod yalnızca yaklaşık 150 satır uzunluğundaydı. Elbette bu, iki ekibin çeşitli sistemleri entegre etmek ve yazılım yığınını oluşturmak için yaptığı tüm çalışmalara dayanıyor. Ancak geliştiriciler için tüm bu karmaşıklık gizlenebilir ve iki şirket, bu daha büyük platformun avantajlarından yararlanmak için zaman içinde giderek daha fazla açık kaynak kütüphanesi oluşturmayı bekliyor.

Szmuk, bu proje için ekibin yalnızca çok temel bir kuantum devresiyle çalıştığını ancak bunun derin devrelere de genelleştirilebileceğini vurguladı. Bunu bir geçit ve bir kübitle yapabiliyorsanız, yüz kübit ve 1.000 geçitle de yapabilirsiniz” dedi.

Stanwyck, “Bireysel sonucun küçük bir adım olduğunu söyleyebilirim, ancak en önemli sorunların çözümüne yönelik küçük bir adımdır” diye ekledi. “Kullanışlı kuantum hesaplama, hızlandırılmış süper hesaplamanın sıkı entegrasyonunu gerektirecek ve bu, mühendislikteki en zor zorluk olabilir. Yani bunu bir kuantum bilgisayarda gerçekten yapabilmek ve nabzı sadece küçük bir kuantum bilgisayar için optimize edilmemiş, aynı zamanda ölçeklenebilir, modüler bir platform olacak şekilde ayarlayabilmek, gerçekten bazı sorunları çözme yolunda olduğumuzu düşünüyoruz. Kuantum hesaplamadaki en önemli sorunlardan biri de bununla birlikte.”

Stanwyck ayrıca iki şirketin bu iş birliğini sürdürmeyi ve bu araçları daha fazla araştırmacının eline sunmayı planladığını söyledi. Nvidia’nın Blackwell yongalarının gelecek yıl kullanıma sunulmasıyla birlikte, bu proje için de daha güçlü bir bilgi işlem platformuna sahip olacaklar.