Firma NVIDIA zaprezentowała ostatnio otwarte modele oparte na klasycznym modelu Isinga, które mają służyć do rozwiązywania problemów związanych z kwantową korekcją błędów w systemach sztucznej inteligencji.
W przeciwieństwie do tradycyjnych metod opartych na kodach powierzchniowych lub topologicznych kodach kwantowych, rozwiązania te wykorzystują energię konfiguracji spinowych do modelowania i usuwania szumów powstających w procesie trenowania dużych sieci neuronowych.
Zgodnie z oficjalnymi informacjami, podejście to pozwala obniżyć koszty obliczeniowe korekcji o 30–40 procent w porównaniu z dotychczasowymi rozwiązaniami heurystycznymi.
Od strony technicznej model Isinga jest tu stosowany jako struktura grafowa, w której węzły reprezentują bity kwantowe lub parametry sieci neuronowej, a oddziaływania między nimi opisuje hamiltonian.
Proces uczenia sprowadza się do minimalizacji energii układu w warunkach występowania szumu, co przypomina proces wyżarzania. NVIDIA udostępniła otwarte wagi oraz kod źródłowy umożliwiający odtworzenie eksperymentów na procesorach graficznych (GPU), nie ujawniła jednak precyzyjnych szczegółów dotyczących generowania syntetycznych danych szumowych wykorzystanych do walidacji.
Zastosowana metodologia budzi jednak pytania o możliwość przeniesienia uzyskanych wyników. Testy przeprowadzono głównie na symulowanych obwodach kwantowych o niewielkiej skali, a nie na rzeczywistym sprzęcie kwantowym. Pozostawia to otwartą kwestię tego, jak skutecznie modele te poradzą sobie ze skorelowanymi błędami charakterystycznymi dla współczesnych procesorów kwantowych.
W porównaniu z pracami Google Quantum AI z 2023 roku, w których stosowano kody powierzchniowe z progiem błędu na poziomie około 1 procenta, podejście NVIDIA stawia na hybrydową optymalizację klasyczno-kwantową, co może okazać się bardziej korzystne przy skalowaniu systemów do tysięcy kubitów.
W szerszej perspektywie badawczej rozwój ten zbliża do siebie społeczności zajmujące się obliczeniami kwantowymi oraz wielkoskalowym uczeniem maszynowym. Podobne koncepcje pojawiały się już wcześniej w pracach firm Xanadu i Rigetti dotyczących kwantowego uczenia maszynowego, jednak to NVIDIA jako pierwsza udostępniła w pełni otwarte wagi i narzędzia pozwalające na integrację z frameworkami takimi jak PyTorch.
Krok ten może przyspieszyć prace badawcze prowadzone przez niezależne zespoły i wpłynąć na zmianę priorytetów w dziedzinie algorytmów kwantowych odpornych na błędy dla AI.
Dla branży oznacza to, że zadania związane z korekcją błędów można teraz realizować nie tylko na wyspecjalizowanych urządzeniach kwantowych, ale również na klasycznych akceleratorach przy użyciu dobrze znanych metod fizyki statystycznej. Jednocześnie nie jest jasne, jak modele te zachowają się w obliczu realnego szumu kwantowego bez przeprowadzenia dodatkowej kalibracji.
Przyszłe badania prawdopodobnie skupią się na weryfikacji możliwości przeniesienia tych rozwiązań na rzeczywiste urządzenia kwantowe oraz na porównaniu kosztów energetycznych z tradycyjnymi dekoderami.
Ostatecznie udostępnienie modeli Isinga przez NVIDIA wyznacza nowy standard replikowalności w obszarze kwantowo odpornej sztucznej inteligencji i otwiera drogę do tworzenia bardziej wydajnych architektur hybrydowych.
