- AlphaQubit, desarrollado en conjunto por Google DeepMind y el equipo de Quantum AI, utiliza IA para identificar con precisión los errores dentro de una computadora cuántica
- Esta tecnología puede hacer que las computadoras cuánticas sean más confiables, abriendo posibilidades de innovación en descubrimiento de fármacos, diseño de materiales y física fundamental, y permitiendo resolver en pocas horas problemas que a las computadoras actuales les tomarían miles de millones de años
- Sin embargo, los procesadores cuánticos son más vulnerables al ruido que los procesadores convencionales. Para aumentar la confiabilidad de una computadora cuántica, es necesario identificar y corregir con precisión los errores
- AlphaQubit proporciona una capacidad precisa de identificación de errores para que las computadoras cuánticas puedan realizar cálculos a gran escala, un paso esencial para lograr avances científicos
Corrección de errores en computación cuántica
- Las computadoras cuánticas pueden aprovechar propiedades únicas de la materia, como la superconductividad y el entrelazamiento, para resolver problemas complejos más rápido que las computadoras convencionales
- Sin embargo, el estado natural de los bits cuánticos (qubits) se ve alterado fácilmente por diversos factores como calor, vibración, interferencia electromagnética y rayos cósmicos
- La tecnología de corrección de errores cuánticos agrupa varios qubits físicos para formar un qubit lógico, e identifica y corrige errores mediante verificaciones de consistencia
- AlphaQubit actúa como un decodificador basado en redes neuronales que usa estos datos de verificación de consistencia para detectar errores
Desarrollo de AlphaQubit, un decodificador basado en redes neuronales
- AlphaQubit es un decodificador basado en redes neuronales que aprovecha la arquitectura Transformer desarrollada por Google para predecir errores a partir de verificaciones de consistencia
- Se entrenó con millones de ejemplos de errores utilizando datos generados por el procesador cuántico Sycamore, mejorando su precisión
- En comparación con los decodificadores existentes, AlphaQubit:
- registró una tasa de error 6% menor que un decodificador basado en redes tensoriales (las redes tensoriales son precisas, pero ineficientes)
- logró una tasa de error 30% menor que el método correlated matching, que es rápido y preciso
Escalabilidad de AlphaQubit y posibilidades futuras
- AlphaQubit mostró un rendimiento sobresaliente en simulaciones con datos de más de 241 qubits, superando los sistemas disponibles actualmente
- En sistemas más grandes, AlphaQubit sigue manteniendo una alta precisión, lo que sugiere que también podría funcionar bien en dispositivos cuánticos de escala intermedia
- AlphaQubit también ofrece la capacidad de reportar niveles de confianza en la entrada y la salida, lo que podría ayudar a mejorar el rendimiento de los procesadores cuánticos en el futuro
- Mantuvo un rendimiento estable en simulaciones de corrección de errores de hasta más de 100,000 rondas, demostrando capacidad de generalización más allá de los datos de entrenamiento
Desafíos hacia una computación cuántica práctica
- AlphaQubit marca un hito importante al mostrar el potencial del aprendizaje automático en la corrección de errores cuánticos
- Sin embargo, aún quedan desafíos por resolver, como los problemas de velocidad para la corrección de errores en tiempo real y la mejora de métodos de entrenamiento eficientes en datos
- El equipo de Google busca desarrollar computadoras cuánticas confiables combinando avances líderes en aprendizaje automático y tecnología de corrección de errores cuánticos
1 comentarios
Opiniones de Hacker News
Al mantener la memoria cuántica, se mide la verificación de paridad del código de corrección de errores cuánticos. Estas verificaciones de paridad contienen información parcial sobre los errores, no sobre el estado lógico, y la información cuántica lógica mantiene su coherencia a través de este proceso.
Estas mediciones son datos clásicos, y se necesita cómputo para inferir el error más probable producido por el síndrome medido. A este proceso se le llama decodificación.
Este estudio es un modelo que funciona como algoritmo de decodificación para el surface code, un código cuántico muy común. El surface code es como el análogo cuántico del repetition code.
AlphaQubit es una arquitectura de red neuronal basada en un transformer recurrente que predice errores en observables lógicos a partir de entradas de síndrome. Esta red se preentrena con muestras simuladas y se ajusta finamente con una cantidad limitada de muestras experimentales para decodificar el experimento de surface code de Sycamore con más precisión que cualquier decodificador anterior.
En una ronda de corrección de errores en el surface code, la información de estabilizadores X y Z actualiza el estado interno del decodificador, codificado como un vector para cada estabilizador. El estado interno es modificado por múltiples capas de una red neuronal transformer de síndromes que incluye atención y convolución.
Hay opiniones de que no se puede encontrar una explicación detallada de la arquitectura más allá del paper y las figuras referenciadas. También se señala que desde 2017 Google no ha facilitado mucho sus metodologías de ML.
Hay una opinión de que, en esencia, un cálculo propenso a errores está siendo corregido por otro cálculo también propenso a errores.
Se plantea la duda de cómo un sistema clásico puede detectar/corregir errores en un sistema cuántico. Se pensaba que todos los algoritmos de corrección de errores cuánticos se basaban en qubits.
La computación cuántica y la IA están claramente en el pico del hype.
Hay una opinión de que no hay mucho motivo para quejarse del hype de la IA. También se comenta que es el único contenido relacionado con IA que suena medio legítimo.
Da la sensación de que todo esto se parece a las viejas patentes de "con una computadora".
Hay una broma de que si ahora integran criptomonedas aquí, ya estaría casi completo.
Hay una opinión de que no sabe mucho sobre computadoras cuánticas, pero le parece interesante. También se comenta que, al ver la lista de componentes de una computadora cuántica, parece que se necesita de todo y muchas GPU.
Hay una opinión de que, pese a haberlo intentado durante mucho tiempo, todavía no entiende cómo funciona la computación cuántica. Siempre se la explican como si probara todas las combinaciones posibles y obtuviera la respuesta.