AI znalazła krótszą drogę do komputerów kwantowych
Sztuczna inteligencja może przyspieszyć jeden z najtrudniejszych etapów rozwoju komputerów kwantowych, którym jest projektowanie obwodów kwantowych.
.Naukowcy z grupy Hansa Briegela z Uniwersytetu w Innsbrucku, we współpracy z NVIDIA, opracowali metodę AI, która automatycznie generuje krótsze i bardziej efektywne sekwencje bramek kwantowych.
Sztuczna inteligencja może stać się jednym z narzędzi, które przybliżą komputery kwantowe do praktycznych zastosowań. Nie przez spektakularne zwiększenie liczby kubitów, lecz przez rozwiązanie mniej efektownego, ale fundamentalnego problemu: jak zapisać algorytm kwantowy tak, aby mógł zostać wykonany przez rzeczywiste urządzenie.
Naukowcy z grupy teoretycznego fizyka Hansa Briegela z Uniwersytetu w Innsbrucku, we współpracy z Nvidią, opracowali metodę AI, która automatycznie generuje efektywne obwody kwantowe. Wyniki opisano w pracy „Synthesis of discrete–continuous quantum circuits with multimodal diffusion models”, opublikowanej w „Machine Learning: Science and Technology”.
Problem nie leży tylko w sprzęcie
.Zanim komputer kwantowy wykona użyteczne zadanie, algorytm musi zostać przełożony na sekwencję elementarnych operacji kwantowych, czyli bramek kwantowych. To właśnie bramki kwantowe tworzą obwód kwantowy. Im krótszy i lepiej zaprojektowany obwód, tym większa szansa, że urządzenie wykona obliczenie poprawnie.
Ma to szczególne znaczenie dla obecnych komputerów kwantowych, które wciąż są podatne na zakłócenia. Każda dodatkowa bramka może wprowadzać błąd, a to oznacza, że efektywność obwodu staje się jednym z warunków praktycznej użyteczności całej technologii. Dzisiejsze urządzenia kwantowe są często opisywane jako systemy epoki NISQ, czyli maszyn o ograniczonej liczbie kubitów i wysokiej wrażliwości na szum.
Pisanie takich obwodów pozostaje jednym z najtrudniejszych otwartych problemów informatyki kwantowej. Nie wystarczy znać cel obliczenia. Trzeba jeszcze znaleźć taki zapis operacji, który będzie możliwie krótki, stabilny i dopasowany do ograniczeń konkretnego sprzętu.
AI projektuje sekwencje bramek
.Dwa lata temu zespół kierowany przez Gorkę Muñoza-Gila z Department of Theoretical Physics zaprezentował metodę przygotowywania operacji kwantowych na konkretnym komputerze kwantowym. Wykorzystywała ona generatywny model uczenia maszynowego do znajdowania odpowiedniej sekwencji bramek potrzebnych do wykonania operacji kwantowej.
Teraz naukowcy z Innsbrucka, pracując z Nvidią i platformą Nvidia CUDA-Q do obliczeń kwantowo-klasycznych, udoskonalili ten model. Kluczowa zmiana polega na tym, że metoda jednocześnie obsługuje dwa poziomy projektowania obwodu: wybór struktury, czyli decyzję, których bramek użyć, oraz dobór parametrów liczbowych tych operacji.
To odróżnia nowe podejście od metod, które traktują te elementy osobno. Model opisany w pracy wykorzystuje multimodalne modele dyfuzyjne, aby generować zarówno dyskretne decyzje dotyczące bramek, jak i ciągłe parametry obwodu. Modele dyfuzyjne są znane głównie z generowania obrazów i danych syntetycznych, ale coraz częściej wykorzystywane są także w zadaniach projektowych i optymalizacyjnych.
Efekt ma znaczenie praktyczne. Według autorów metoda generuje obwody wyraźnie krótsze niż konkurencyjne rozwiązania. W przypadku dzisiejszego sprzętu kwantowego nie jest to jedynie techniczny szczegół. Krótszy obwód oznacza mniej miejsc, w których może pojawić się błąd.
Test, którego model nie znał
.Najbardziej sugestywnym elementem demonstracji było to, że AI samodzielnie odtworzyła podręcznikowy obwód dla Quantum Fourier Transform. To jedna z podstawowych konstrukcji wykorzystywanych w wielu algorytmach kwantowych. Model nie otrzymał wcześniej informacji, jak takie rozwiązanie powinno wyglądać.
To ważny sygnał. Metoda nie tylko optymalizuje znane schematy, ale potrafi odnaleźć strukturę, która w fizyce i informatyce kwantowej uchodzi za klasyczną. Quantum Fourier Transform jest blisko związana z algorytmami opartymi na estymacji fazy, a więc z częścią najbardziej znanych zastosowań obliczeń kwantowych.
Nie oznacza to jeszcze, że AI rozwiązała problem praktycznych komputerów kwantowych. Oznacza jednak, że może stać się narzędziem projektowym w całym stosie technologii kwantowych: od algorytmu, przez kompilację, po dostosowanie obwodu do ograniczeń sprzętu.
Nowa infrastruktura obliczeń
.W tym sensie praca zespołu z Innsbrucka i NVIDIA dobrze pokazuje szerszy kierunek rozwoju technologii. Sztuczna inteligencja przestaje być tylko odbiorcą infrastruktury obliczeniowej. Coraz częściej sama staje się narzędziem do jej projektowania.
Dziś AI pomaga pisać kod, projektować układy, optymalizować centra danych i szukać nowych materiałów. Teraz może wspierać także projektowanie obwodów dla komputerów kwantowych. Jeśli ta droga okaże się skalowalna, znaczenie AI w świecie obliczeń będzie większe niż rola kolejnej warstwy oprogramowania. Będzie to technologia, która współtworzy architekturę przyszłych maszyn.
.Dlatego badanie z Innsbrucka jest ważne nie tylko dla fizyków kwantowych. Jest również kolejnym przykładem zacierania się granicy między sztuczną inteligencją, superkomputerami i technologiami kwantowymi. Nowa infrastruktura świata nie powstaje w jednej dziedzinie. Powstaje na ich styku.
Szymon Ślubowski
