- AlphaQubit, yang dikembangkan bersama oleh Google DeepMind dan tim Quantum AI, menggunakan AI untuk mengidentifikasi kesalahan di dalam komputer kuantum secara akurat
- Teknologi ini membuat komputer kuantum lebih dapat diandalkan, membuka kemungkinan terobosan di bidang penemuan obat, desain material, dan fisika dasar, serta memungkinkan penyelesaian masalah yang dengan komputer konvensional memerlukan miliaran tahun menjadi hanya beberapa jam
- Namun, prosesor kuantum lebih rentan terhadap noise dibanding prosesor konvensional. Untuk meningkatkan keandalan komputer kuantum, kesalahan harus diidentifikasi dan diperbaiki secara akurat
- AlphaQubit menyediakan kemampuan identifikasi kesalahan yang akurat agar komputer kuantum dapat melakukan komputasi skala besar, yang merupakan langkah penting menuju terobosan ilmiah
Koreksi kesalahan komputasi kuantum
- Komputer kuantum memanfaatkan sifat unik materi seperti superkonduktivitas dan keterikatan kuantum untuk menyelesaikan masalah kompleks lebih cepat daripada komputer konvensional
- Namun, keadaan alami qubit mudah terganggu oleh berbagai faktor seperti panas, getaran, interferensi elektromagnetik, dan sinar kosmik
- Teknologi koreksi kesalahan kuantum mengelompokkan beberapa qubit fisik untuk membentuk satu qubit logis, lalu mengidentifikasi dan memperbaiki kesalahan melalui pemeriksaan konsistensi
- AlphaQubit berperan sebagai decoder berbasis jaringan saraf yang menggunakan data pemeriksaan konsistensi ini untuk mendeteksi kesalahan
Pengembangan AlphaQubit, decoder berbasis jaringan saraf
- AlphaQubit adalah decoder berbasis jaringan saraf yang memanfaatkan arsitektur Transformer yang dikembangkan Google untuk memprediksi kesalahan berdasarkan pemeriksaan konsistensi
- Dengan memanfaatkan data yang dihasilkan dari prosesor kuantum Sycamore, model ini mempelajari jutaan contoh kesalahan untuk meningkatkan akurasi
- Dibanding decoder yang sudah ada, AlphaQubit:
- mencatat tingkat kesalahan 6% lebih rendah daripada decoder berbasis tensor network (tensor network akurat tetapi tidak efisien)
- mencapai tingkat kesalahan 30% lebih rendah daripada metode correlated matching yang cepat sekaligus akurat
Skalabilitas dan potensi masa depan AlphaQubit
- AlphaQubit menunjukkan kinerja unggul dalam simulasi yang memanfaatkan data dari 241 qubit atau lebih, melampaui sistem yang saat ini tersedia
- Pada sistem yang lebih besar, AlphaQubit tetap mempertahankan akurasi tinggi, yang menunjukkan potensi untuk bekerja dengan baik pada perangkat kuantum skala menengah
- AlphaQubit juga menyediakan kemampuan untuk melaporkan tingkat kepercayaan pada input dan output, yang dapat mendukung peningkatan kinerja prosesor kuantum di masa depan
- Model ini mempertahankan kinerja stabil dalam simulasi koreksi kesalahan hingga lebih dari 100.000 ronde, membuktikan kemampuan generalisasi yang melampaui data pelatihan
Tantangan menuju komputasi kuantum praktis
- AlphaQubit menjadi tonggak penting yang menunjukkan potensi machine learning dalam koreksi kesalahan kuantum
- Namun, masih ada tantangan yang harus diatasi, seperti masalah kecepatan untuk koreksi kesalahan real-time dan perbaikan metode pelatihan yang efisien terhadap data
- Tim Google menargetkan pengembangan komputer kuantum yang andal dengan menggabungkan kemajuan terdepan dalam machine learning dan teknologi koreksi kesalahan kuantum
1 komentar
Komentar Hacker News
Saat mempertahankan memori kuantum, pemeriksaan paritas dari kode koreksi kesalahan kuantum diukur. Pemeriksaan paritas ini memuat informasi parsial tentang kesalahan, bukan informasi tentang keadaan logis, sehingga informasi kuantum logis tetap koheren melalui proses ini.
Pengukuran ini adalah data klasik, dan diperlukan komputasi untuk menyimpulkan kesalahan yang paling mungkin terjadi berdasarkan sindrom yang terukur. Proses ini disebut decoding.
Studi ini adalah model yang berfungsi sebagai algoritme decoding untuk surface code, yaitu kode kuantum yang sangat umum. Surface code mirip dengan analog kuantum dari repetition code.
AlphaQubit adalah arsitektur jaringan saraf berbasis recurrent transformer yang memprediksi kesalahan pada observable logis berdasarkan masukan sindrom. Jaringan ini dilatih terlebih dahulu dengan sampel simulasi lalu di-fine-tune dengan sejumlah terbatas sampel eksperimen, sehingga dapat mendekode eksperimen surface code Sycamore dengan lebih akurat daripada decoder sebelumnya.
Dalam satu putaran koreksi kesalahan pada surface code, informasi stabilizer X dan Z memperbarui keadaan internal decoder dan dikodekan sebagai vektor untuk tiap stabilizer. Keadaan internal ini dimodifikasi oleh beberapa lapisan jaringan saraf syndrome transformer yang mencakup attention dan convolution.
Ada pendapat bahwa selain makalah dan gambar yang dirujuk, tidak banyak penjelasan detail tentang arsitekturnya yang bisa ditemukan. Disebutkan juga bahwa sejak 2017, Google tidak lagi mudah menyediakan metodologi ML-nya.
Ada pendapat bahwa pada dasarnya komputasi yang rentan kesalahan sedang diperbaiki oleh komputasi lain yang juga rentan kesalahan.
Muncul pertanyaan tentang bagaimana sistem klasik bisa mendeteksi/memperbaiki kesalahan dalam sistem kuantum. Ada anggapan bahwa semua algoritme koreksi kesalahan kuantum berbasis qubit.
Komputasi kuantum dan AI jelas sedang berada di puncak hype.
Ada pendapat bahwa tidak ada alasan untuk mengeluh soal hype AI. Satu-satunya bagian terkait AI di sini juga terdengar setengah masuk akal.
Semua ini terasa seperti paten lama bertema "dengan komputer".
Ada gurauan bahwa jika kripto diintegrasikan ke sini, maka hampir lengkap.
Ada pendapat bahwa meski tidak terlalu paham komputer kuantum, topik ini tetap menarik. Disebutkan juga bahwa dari daftar komponennya, semuanya dibutuhkan dan akan memerlukan banyak GPU.
Ada pendapat bahwa meski sudah lama mencoba, masih belum memahami cara kerja komputasi kuantum. Penjelasannya selalu terdengar seperti mencoba semua kemungkinan kombinasi lalu mendapatkan jawabannya.