Sam Jarman tərəfindən , Phys.org

Lisa Lock tərəfindən redaktə edilib , Andrew Zinin tərəfindən nəzərdən keçirilib

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Xəta aşkarlama hadisələri hesablama zamanı kvant sisteminin sabitləşməsinə kömək etmək üçün alqoritm tərəfindən yenidən istifadə olunur. Mənbə: Nature (2026). DOI: 10.1038/s41586-026-10759-2

Kvant kompüterləri hətta ən sürətli ənənəvi superkompüterlərin belə çox vaxt aparacaq problemləri həll edəcəyinə söz verir, lakin onların saxladığı və emal etdiyi kvant məlumatları ətraf mühitdən gələn kiçik müdaxilələrə belə son dərəcə həssasdır. Bu sistemlərin etibarlı şəkildə işləməsini təmin etmək üçün onlar daim yenidən kalibrlənməlidir – bu da hesablamaları prosesdə kəsir.

Nature jurnalında dərc olunmuş yeni bir təcrübədə , Google Quantum AI-dən Volodymyr Sivakın rəhbərlik etdiyi tədqiqatçılar, kvant kompüterini işlədikcə davamlı olaraq tənzimləyən maşın öyrənmə yanaşması hazırladılar. Onların yanaşması kvant hesablamalarının bahalı fasilələr olmadan daha uzun müddət işləməsinə imkan verə bilər.

Yenidən kalibrləmə problemi

Kvant məlumatlarının, kvant bitlərinin və ya “kubitlərin” quruluş blokları olduqca kövrəkdir. Temperaturda, elektrik cərəyanlarında və ya idarəetmə elektronikasında tədricən dəyişikliyə məruz qaldıqda belə, səhvlərin baş vermə ehtimalı əhəmiyyətli dərəcədə arta bilər.

Bunun qarşısını almaq üçün müasir kvant sistemləri müntəzəm olaraq kalibrləmədən keçməlidir və bu zaman hər kubitin idarə olunması üçün istifadə edilən parametrlər səhvləri minimuma endirmək üçün diqqətlə tənzimlənir. Lakin bu, maşın yenidən kalibrlənərkən hesablamaların tamamilə dayandırılmasını tələb edir ki, bu da tədqiqatçıların gələcək kvant kompüterlərində işləməyi ümid etdikləri uzun hesablamalar üçün böyük bir maneə yaradır.

Xəta məlumatlarından təkrar istifadə

Bu çətinliyin öhdəsindən gəlmək üçün Sivakın komandası kvant kompüterlərinin işləyərkən səhvləri necə izlədiyini araşdırdı. Xüsusi kubitlərdən istifadə edərək, hesablamanın özünə mane olmadan bir şeyin səhv getdiyini aşkar edə bilirlər.

Bu məlumatı yalnız səhvləri müəyyən etmək üçün istifadə etmək əvəzinə, komanda onu gücləndirmə öyrənmə alqoritminə də daxil etdi. Minlərlə idarəetmə parametrinə kiçik düzəlişlər etməklə və aşkar edilmiş səhvlərin necə dəyişdiyini müşahidə etməklə alqoritm tədricən hansı dəyişikliklərin sistemin sabitliyini artırdığını öyrəndi. Öz növbəsində, kvant kompüteri hesablamalarına davam edərkən öz səhvlərindən dərs çıxara bildi.

Performansın simulyasiya edilmiş artımı

Tədqiqatçılar bu yanaşmanı Google-ın Willow superkeçirici kvant prosessorunda sınaqdan keçirdilər və ətraf mühitdəki incə dəyişiklikləri simulyasiya etmək üçün sistemə qəsdən sürüşmə daxil etdilər. Öyrənmə alqoritmi idarəetmə parametrlərini davamlı olaraq yeniləyərək sistem mövcud səhv düzəltmə metodlarından təxminən 3,5 dəfə daha sabit oldu. Ən əsası, bu performans prosessor işləməyə davam edərkən belə qorunub saxlanıla bilərdi.

Əlavə simulyasiyalara əsaslanaraq, Sivakın komandası, metodlarının əhəmiyyətli dərəcədə yavaşlamadan on minlərlə tənzimlənən idarəetmə parametrlərini ehtiva edən sistemlərə qədər genişləndirilə biləcəyini təklif etdi.

Daha böyük hesablamalara hazırlıq

Bugünkü kvant kompüterləri yenidən kalibrləmə probleminin əsas məhdudiyyət olması üçün hələ kifayət qədər böyük olmasa da, komandanın nəticəsi texnologiya inkişaf etdikcə getdikcə daha vacib hala gələcək bir problemi həll edir. Kvant kompüterlərinin yenidən kalibrləmə üçün fasilə vermək əvəzinə, öz əməliyyatlarını davamlı olaraq təkmilləşdirməsinə imkan verməklə, bu texnika gələcək kompüterlərə daha uzun və daha mürəkkəb hesablamaların öhdəsindən gəlməyə kömək edə bilər.

Komandanın yanaşması səhvləri sadəcə aradan qaldırılacaq bir şey kimi qəbul etmək əvəzinə, nəticədə səhvlərin kvant kompüterlərinin səhvlərindən necə öyrənməsinə və zamanla daha sabitləşməsinə kömək edə biləcəyini göstərir.

Müəllifimiz Sam Jarman tərəfindən sizin üçün yazılmış, Lisa Lock tərəfindən redaktə edilmiş və Andrew Zinin tərəfindən faktlar yoxlanılmış və nəzərdən keçirilmiş bu məqalə diqqətli insan əməyinin nəticəsidir. Müstəqil elmi jurnalistikanı yaşatmaq üçün sizin kimi oxuculara güvənirik. Bu reportaj sizin üçün vacibdirsə, xahiş edirik ianə etməyi düşünün (xüsusilə aylıq). Təşəkkür olaraq reklamsız hesab əldə edəcəksiniz .