Robocikowo>ROBOCIKOWO
AlphaQubit
Modele AI

AlphaQubit

Neuronowy dekoder błędów kwantowych od Google DeepMind i Google Quantum AI, oparty na architekturze Transformer; opisany w Nature w 2024 r.
🔬 Research🔬 Research onlyNaukowe AIWyspecjalizowane AI
Data premiery
20 listopada 2024
🔬Google DeepMindLab badawczy🏢GoogleWłaściciel

Przegląd

AlphaQubit to neuronowy dekoder błędów kwantowych opracowany wspólnie przez Google DeepMind i Google Quantum AI. Jego zadaniem jest identyfikacja błędów powstających w procesorach kwantowych, co jest kluczowym krokiem w budowie niezawodnych komputerów kwantowych działających na dużą skalę.

Jak działa

System opiera się na architekturze Transformer. Na wejściu przyjmuje wyniki powtarzanych pomiarów kontroli spójności (consistency checks) kubitu logicznego i przewiduje, czy na końcu eksperymentu stan kubitu logicznego odwrócił się względem stanu początkowego. Model najpierw trenowano na setkach milionów przykładów z symulatora kwantowego, a następnie dostrajano na tysiącach rzeczywistych próbek z procesora Sycamore.

Wyniki

W testach na danych z procesora Sycamore (kod powierzchniowy o dystansie 3 = 17 kubitów fizycznych oraz dystansie 5 = 49 kubitów) AlphaQubit osiągnął wyższą dokładność niż wcześniejsze wiodące dekodery: popełniał o 6% mniej błędów niż metody oparte na sieciach tensorowych i o 30% mniej błędów niż dekoder correlated matching. W symulacjach skalował się do układów liczących do 241 kubitów (dystans 11).

Ograniczeniem pozostaje szybkość – w obecnej formie AlphaQubit jest zbyt wolny, by korygować błędy w czasie rzeczywistym w nadprzewodnikowym procesorze kwantowym. Wyniki opublikowano w czasopiśmie Nature 20 listopada 2024 r.

Klasyfikacja
Naukowe AIWyspecjalizowane AI
Kluczowe parametry
📥 Wejście: dane strukturalne, szeregi czasowe

Specyfikacja techniczna

Modalności
⬇ Wejście (Input)
structured_datatime_series
⬆ Wyjście (Output)
structured_data

Możliwości i zastosowania

Natywne możliwości modelu
Klasyfikacja
Przyporządkowanie obserwacji do jednej z predefiniowanych klas (binarna lub wieloklasowa). Wynik: etykieta klasy oraz opcjonalnie prawdopodobieństwa.
Kategoria: other
Wykrywanie anomalii
Identyfikacja obserwacji odbiegających od wzorca normalnego — kluczowe w fraud detection, monitorowaniu maszyn i bezpieczeństwie.
Kategoria: other

Wyniki benchmarków

2 benchmarki
Sycamore distance-5 decoding (vs tensor network)
logical error reduction
6% fewer errors
📅 20 lis 2024📄 paper
Największe eksperymenty Sycamore; metody tensorowe są dokładne, ale wolne i nieskalowalne.
Sycamore distance-5 decoding (vs correlated matching)
logical error reduction
30% fewer errors
📅 20 lis 2024📄 paper
Correlated matching to dokładny dekoder wystarczająco szybki, by skalować.

Architektura techniczna

Rdzeń architektury (Core Architecture)
TRTransformer

Źródła i powiązane strony