Dentro brevemente
- Pesquisadores do Google apresentaram o AlphaQubit, um decodificador com IA que melhora a correção de erros quânticos, reduzindo os erros em 6% em comparação com redes tensores e 30% em comparação com correspondência relacional.
- O treinamento em dois estágios da AlphaQubit – pré-treinamento em dados sintéticos e calibração em dados experimentais – permite que ele se adapte a ruídos complexos do mundo real, incluindo interferência e vazamento, demonstrando o poder do aprendizado de máquina na computação quântica.
- Embora AlphaQubit seja excelente em precisão, permanecem desafios para alcançar velocidade e escalabilidade em tempo real, destacando a necessidade de melhorias adicionais para suportar sistemas quânticos tolerantes a falhas.
Pesquisadores do Google Quantum AI e DeepMind criaram AlphaQubit, um algoritmo de aprendizado de máquina que supera os métodos existentes para detectar e corrigir erros na computação quântica. Este desenvolvimento, descrito na Nature e detalhado numa publicação no blog da empresa, poderia ajudar a tornar os computadores quânticos suficientemente fiáveis para resolver problemas complexos que estão actualmente fora do alcance dos sistemas convencionais.
AlphaQubit, uma rede neural, processa informações de erro de processadores quânticos para melhorar a precisão da correção de erros quânticos. Testes no processador quântico Sycamore do Google mostraram que AlphaQubit reduz erros em 6% em comparação com métodos de rede tensorial e em 30% em comparação com correspondência relacional, o decodificador mais utilizado.
“Este projeto colaborativo combinou a experiência em aprendizado de máquina do Google DeepMind e os especialistas em correção de erros do Google Quantum AI para acelerar o progresso na construção de um computador confiável”, disseram os pesquisadores em uma postagem no blog do Google. “Identificar erros com precisão é um passo importante para permitir que computadores quânticos realizem cálculos em longa escala, abrindo portas para avanços científicos e muitas novas áreas de descoberta.”
Uma nova referência para correção de erros quânticos?
Os computadores quânticos, que usam princípios como superposição e emaranhamento, estão prontos para resolver certos problemas com muito mais rapidez do que as máquinas clássicas, segundo o post. No entanto, os qubits – os blocos de construção dos computadores quânticos – são altamente afetados pelo ruído, levando a erros comuns. Superar esta vulnerabilidade é fundamental para o desenvolvimento de dispositivos quânticos para aplicações práticas.
A equipe escreve no post: “O estado quântico natural do qubit é frágil e pode ser perturbado por vários fatores: defeitos invisíveis no hardware, calor, vibrações, distúrbios magnéticos e raios cósmicos (que são onipresentes).”
Para combater isso, a correção quântica de erros usa iteração: vários qubits físicos são agrupados em um único qubit lógico e verificações de consistência são realizadas para detectar e corrigir erros.
O desafio está em decodificar essas verificações de maneira correta e precisa, especialmente à medida que os processadores quânticos aumentam. O hardware de computador atual normalmente apresenta taxas de erro de 1% a 10% por operação, o que é muito alto para cálculos confiáveis. Os sistemas futuros exigirão taxas de erro inferiores a 0,000000001% para aplicações práticas, como detecção de drogas, design de materiais e operações criptográficas.
Como funciona o AlphaQubit
AlphaQubit é construído em uma arquitetura Transformer – Transformer refere-se a um tipo de arquitetura de rede neural projetada para processar dados sequenciais de forma eficiente, por exemplo, concentrando-se nas partes mais importantes dos dados que está analisando. Isso ajuda o AlphaQubit a determinar erros quânticos com precisão.
Como o nome sugere, as redes neurais são projetadas para imitar os neurônios do cérebro humano – em geral. Assim como os humanos devem aprender antes de aprenderem uma nova habilidade e continuarem a aprimorá-la, as redes neurais também devem aprender e praticar. AlphaQubit usa um processo de treinamento em duas fases: Pré-treinamento e Condicionamento.
Na fase de pré-treinamento, o modelo é primeiramente exposto a exemplos sintéticos gerados pelo simulador quântico. Isso permite aprender padrões de erros comuns sob diferentes condições de ruído. Em seguida, o sistema passa por um ajuste fino. Aqui, o modelo também é treinado em dados de erros do mundo real do processador Sycamore do Google, combinados com características específicas de ruído de hardware.
O decodificador se adapta a tipos de erros complexos, incluindo “debounce” (comunicação qubit indesejada) e “vazamento” (resultando em estados de não computação). Ele também usa aprendizado suave – medições probabilísticas que fornecem informações valiosas sobre os estados dos qubits.
Ao testar os códigos de superfície do Sycamore – o principal método de correção quântica de erros – o AlphaQubit manteve sua vantagem em múltiplas configurações, de 17 qubits (nota 3) a 49 qubits (nota 5). A distância significa que três erros (nota 3) ou cinco erros (nota 5) são necessários para quebrar as informações codificadas do qubit.
As simulações estenderam essa funcionalidade para sistemas com até 241 qubits, aumentando as capacidades do decodificador para grandes dispositivos quânticos.
Implicações e Desafios
A equipe sugere que seu sucesso com a operação AlphaQubit representa um importante passo em frente na integração do aprendizado de máquina e da computação quântica. Ao automatizar o processo de decodificação, o modelo reduz a dependência de algoritmos manuais, que muitas vezes enfrentam dificuldades com a complexidade do áudio do mundo real.
“Embora esperemos que outras técnicas de decodificação continuem a se desenvolver, este trabalho apoia nossa crença de que os decodificadores de aprendizado de máquina podem alcançar a supressão de erros e a velocidade necessárias para a computação quântica”, escreveram os pesquisadores no estudo.
No entanto, o programa não é ilimitado. A implementação atual do AlphaQubit pode inicialmente ser lenta para correção de erros em tempo real em processadores quânticos supercondutores de alta velocidade, que realizam um milhão de verificações consistentes por segundo. Além disso, treinar um modelo para grandes sistemas requer muitos recursos computacionais, destacando a necessidade de métodos eficientes em termos de dados.
Eles escrevem: “AlphaQubit representa um marco na aplicação do aprendizado de máquina à correção quântica de erros. Mas ainda enfrentamos desafios significativos que envolvem velocidade e robustez. “
Amplo impacto e direções futuras
Conforme observado acima, a correção de erros quânticos é essencial para alcançar um computador quântico tolerante a falhas, portanto, dominar os erros torna-se um requisito para enfrentar alguns dos desafios mais urgentes da ciência e da indústria. À medida que o AlphaQubit amadurecer, ele poderá reduzir o número de qubits necessários para criar qubits lógicos, tornando os computadores quânticos mais compactos e menos caros.
A estrutura deste modelo também é versátil, podendo as aplicações ser complementares aos códigos de superfície. Os pesquisadores planejam testar sua adaptabilidade a outras estruturas quânticas de correção de erros, como códigos de cores e códigos de verificação de paridade de baixa densidade.
Outras melhorias podem envolver a integração do AlphaQubit com desenvolvimentos de hardware, incluindo processadores personalizados projetados para tarefas de aprendizado de máquina. Técnicas como poda de peso e baixa precisão também podem melhorar o desempenho do modelo.
Embora os desafios permaneçam e haja muito trabalho a ser feito, os pesquisadores sugerem que o AlphaQubit sirva como uma forma de dar ao aprendizado de máquina um papel na busca por uma computação quântica confiável. Portanto, a visão do futuro será aquela em que o hardware quântico e os modelos de IA evoluam em paralelo – e o sonho de computadores quânticos tolerantes a falhas, capazes de resolver problemas do mundo real mais próximos da realidade.
“AlphaQubit representa um marco na aplicação de aprendizado de máquina à correção quântica de erros. Mas ainda enfrentamos desafios significativos que envolvem velocidade e resiliência”, escreveu a equipe em seu post. “Nossas equipes estão reunindo avanços pioneiros em aprendizado de máquina e correção de erros quânticos para superar esses desafios – e preparar o caminho para computadores quânticos confiáveis que podem resolver alguns dos problemas mais complexos do mundo”.
