تیم‌های DeepMind و Quantum AI گوگل مدل هوش مصنوعی AlphaQubit را توسعه داده‌اند که یک شبکه عصبی مبتنی بر یادگیری عمیق است و با دقت بیشتری نسبت به روش‌های قبلی، خطاهای محاسبات کوانتومی را شناسایی می‌کند. کامپیوترهای کوانتومی می‌توانند در زمینه‌هایی مانند کشف دارو، طراحی مواد و فیزیک بنیادی انقلابی ایجاد کنند اما برای دستیابی به مقیاس کاربردی باید بر حساسیت به نویز و خطا غلبه کنند.

در پژوهشی که در مجله Nature  منتشر شده، AlphaQubit در شناسایی خطاها 6 درصد بهتر از روش شبکه‌های تانسوری (یک روش دقیق اما کند) و 30 درصد بهتر از روش تطبیق همبسته (یک روش دقیق و سریع برای مقیاس‌پذیری) عمل کرده است. این مدل بر اساس معماری Transformer طراحی شده و با داده‌های تولیدشده از 49 کیوبیت در پردازنده کوانتومی Sycamore گوگل آموزش داده شده است.

تیم پژوهشی برای آموزش AlphaQubit از صدها میلیون نمونه شبیه‌سازی‌شده با تنظیمات و سطوح مختلف خطا استفاده کرد. سپس این مدل با هزاران نمونه واقعی خطا از پردازنده Sycamore برای انجام یک وظیفه شناسایی خطا تنظیم نهایی شد. برای بررسی مقیاس‌پذیری، AlphaQubit روی سیستم‌های کوانتومی شبیه‌سازی‌شده تا 241 کیوبیت آموزش داده شد و در تمامی موارد عملکرد بهتری نسبت به سایر مدل‌ها داشت که نشان می‌دهد می‌تواند برای دستگاه‌های کوانتومی بزرگ‌تر آینده نیز مناسب باشد.

هرچند AlphaQubit هنوز برای اصلاح خطاها در زمان واقعی در پردازنده‌های ابررسانا کافی نیست، اما گامی مهم در جهت محاسبات کوانتومی پایدارتر و مقیاس‌پذیرتر محسوب می‌شود. این تیم اعلام کرده است که با افزایش تعداد کیوبیت‌ها به میلیون‌ها عدد برای کاربردهای تجاری، باید روش‌های کارآمدتری برای آموزش مدل‌های مبتنی بر هوش مصنوعی توسعه یابد.

منبع خبر: AI Business