Компанія NVIDIA нещодавно представила відкриті моделі, розроблені на основі класичної моделі Ізінга, для вирішення завдань квантової корекції помилок у системах штучного інтелекту.
На відміну від традиційних методів, що базуються на поверхневих чи топологічних квантових кодах, ці моделі використовують енергію спінових конфігурацій для моделювання та виправлення шумів, які виникають під час навчання великих нейромереж.
За даними офіційного джерела, такий підхід дає змогу знизити обчислювальні витрати на корекцію на 30–40 відсотків порівняно з попередніми евристичними рішеннями.
З технічної точки зору модель Ізінга застосовується тут як графова структура, де вузли представляють квантові біти або параметри нейромережі, а взаємодії між ними описуються гамільтоніаном.
Процес навчання зводиться до мінімізації енергії системи за наявності шуму, що нагадує процес відпалу. NVIDIA опублікувала відкриті ваги та вихідний код для відтворення експериментів на GPU, проте не розкрила точних деталей генерації синтетичних шумових даних, використаних для валідації.
Така методологія викликає питання щодо переносимості результатів. Тести проводилися переважно на симульованих квантових схемах малого розміру, а не на реальному квантовому обладнанні. Це залишає відкритим питання про те, наскільки ефективно моделі впораються з корельованими помилками, характерними для сучасних квантових процесорів.
Порівняно з роботами Google Quantum AI 2023 року, де використовувалися поверхневі коди з порогом помилки близько 1 відсотка, підхід NVIDIA робить ставку на гібридну класично-квантову оптимізацію, що може виявитися вигіднішим під час масштабування до тисяч кубітів.
У ландшафті досліджень цей розвиток зближує спільноти квантових обчислень та великомасштабного машинного навчання. Раніше аналогічні ідеї висловлювалися в роботах із квантового машинного навчання від Xanadu та Rigetti, проте NVIDIA першою надала повністю відкриті ваги та інструменти для інтеграції у фреймворки на кшталт PyTorch.
Такий крок може прискорити експерименти незалежних груп і змінити пріоритети в галузі відмовостійких квантових алгоритмів для ШІ.
Для галузі це означає, що завдання корекції помилок тепер можна вирішувати не лише на спеціалізованому квантовому обладнанні, а й на класичних прискорювачах за допомогою добре вивчених методів статистичної фізики. Водночас залишається незрозумілим, як поводитимуться моделі за умов реального квантового шуму без додаткового калібрування.
Наступні роботи, ймовірно, будуть спрямовані на перевірку переносимості на реальні квантові пристрої та порівняння енергетичних витрат із традиційними декодерами.
Зрештою, відкритість моделей Ізінга від NVIDIA задає новий стандарт відтворюваності в галузі квантово-стійкого ШІ та відкриває шлях до більш ефективних гібридних архітектур.
