به سوی یک کامپیوتر کوانتومی که از خطاهای خود می‌آموزد
خلاصه هوش مصنوعی
گوگل ریسرچ یک چارچوب یادگیری تقویتی معرفی می‌کند که هزاران پارامتر کنترلی را در یک کامپیوتر کوانتومی به طور مداوم هدایت می‌کند تا آن را در برابر رانش سخت‌افزاری بدون متوقف کردن محاسبات پایدار سازد. این عامل خودمختار با استفاده از رویدادهای تشخیص خطای کوانتومی به عنوان یک سیگنال یادگیری فعال، سیستم را در حین اجرا تنظیم می‌کند. این روش که روی پردازشگر ابررسانای Willow آزمایش شده است، پایداری منطقی را در برابر رانش تزریق‌شده ۳.۵ برابر بهبود بخشید، نرخ خطای منطقی را پس از کالیبراسیون تخصصی ۲۰ درصد دیگر سرکوب کرد و مقیاس‌پذیری را در شبیه‌سازی‌ها نشان داد.
نکات کلیدی
- ترکیب یادگیری تقویتی با داده‌های تشخیص خطای کوانتومی برای مقابله فعال با رانش سخت‌افزاری.
- دستیابی به بهبود ۳.۵ برابری در پایداری منطقی و کاهش اضافی ۲۰ درصدی نرخ خطا روی پردازشگر ابررسانای Willow.
- شبیه‌سازی‌ها نشان می‌دهند که تکرارهای آموزش یادگیری تقویتی مستقل از اندازه سیستم باقی می‌مانند که نشان‌دهنده مقیاس‌پذیری بالا است.
چرا مهم است
کارکرد کامپیوترهای کوانتومی در حال حاضر نیازمند متوقف کردن محاسبات برای کالیبره مجدد پارامترهای کنترلی به دلیل رانش سیگنال آنالوگ است. این روش یادگیری تقویتی امکان تنظیم مداوم در طول اجرا را فراهم می‌کند و یک گلوگاه کلیدی برای مقیاس‌گذاری الگوریتم‌های کوانتومی که باید روزها یا ماه‌ها بدون وقفه اجرا شوند را حل می‌کند.
گفتگو 0
آغازگر گفتگو باشید.