NVIDIA vừa công bố các mô hình nguồn mở được xây dựng trên nền tảng mô hình Ising kinh điển nhằm giải quyết các thách thức về sửa lỗi lượng tử trong các hệ thống trí tuệ nhân tạo.
Khác với những phương pháp truyền thống dựa trên mã bề mặt hoặc mã lượng tử tô pô, các mô hình này tận dụng năng lượng của cấu hình spin để mô phỏng và khắc phục các loại nhiễu phát sinh trong quá trình huấn luyện các mạng thần kinh quy mô lớn.
Theo các nguồn tin chính thức, phương pháp tiếp cận này giúp giảm từ 30 đến 40 phần trăm chi phí tính toán cho việc sửa lỗi so với các giải pháp heuristics trước đây.
Về mặt kỹ thuật, mô hình Ising được áp dụng như một cấu trúc đồ thị, trong đó các nút đại diện cho các bit lượng tử hoặc tham số của mạng thần kinh, còn các tương tác giữa chúng được mô tả thông qua hàm Hamiltonian.
Quá trình huấn luyện thực chất là việc tối thiểu hóa năng lượng của hệ thống khi xuất hiện nhiễu, một cơ chế tương tự như quy trình ủ nhiệt. NVIDIA đã cung cấp trọng số nguồn mở và mã nguồn để tái lập các thí nghiệm trên GPU, tuy nhiên hãng vẫn chưa tiết lộ chi tiết cụ thể về phương pháp tạo dữ liệu nhiễu tổng hợp dùng để kiểm chứng.
Phương pháp luận này hiện đang đặt ra những câu hỏi về khả năng ứng dụng thực tế của các kết quả nghiên cứu. Các thử nghiệm chủ yếu được thực hiện trên các mạch lượng tử mô phỏng quy mô nhỏ thay vì trên phần cứng lượng tử thực thụ. Điều này để ngỏ khả năng xử lý hiệu quả của mô hình đối với các lỗi tương quan vốn là đặc trưng cố hữu của các bộ vi xử lý lượng tử hiện đại.
So với các nghiên cứu của Google Quantum AI năm 2023 vốn sử dụng mã bề mặt với ngưỡng lỗi khoảng 1%, hướng đi của NVIDIA tập trung vào việc tối ưu hóa lai giữa cổ điển và lượng tử, điều có thể mang lại lợi thế kinh tế hơn khi mở rộng quy mô lên hàng nghìn qubit.
Trong bức tranh nghiên cứu tổng thể, bước tiến này đang thu hẹp khoảng cách giữa cộng đồng tính toán lượng tử và học máy quy mô lớn. Trước đây, các ý tưởng tương tự từng xuất hiện trong các công trình về học máy lượng tử của Xanadu và Rigetti, nhưng NVIDIA là đơn vị đầu tiên cung cấp đầy đủ trọng số mở và các công cụ để tích hợp trực tiếp vào các khung làm việc như PyTorch.
Bước đi chiến lược này có thể thúc đẩy tiến độ thực nghiệm của các nhóm nghiên cứu độc lập và làm thay đổi thứ tự ưu tiên trong lĩnh vực phát triển thuật toán lượng tử chịu lỗi cho AI.
Đối với ngành công nghiệp, điều này có nghĩa là các bài toán sửa lỗi giờ đây có thể được giải quyết không chỉ trên thiết bị lượng tử chuyên dụng mà còn trên các bộ tăng tốc cổ điển bằng các phương pháp vật lý thống kê đã được nghiên cứu kỹ lưỡng. Tuy nhiên, vẫn chưa thể khẳng định chắc chắn các mô hình này sẽ vận hành ra sao trước các loại nhiễu lượng tử thực tế nếu không có các bước hiệu chuẩn bổ sung.
Các nghiên cứu tiếp theo có khả năng sẽ tập trung kiểm chứng khả năng tương thích trên các thiết bị lượng tử thực tế và so sánh mức tiêu thụ năng lượng với các bộ giải mã truyền thống.
Sau cùng, việc NVIDIA mở mã nguồn các mô hình Ising đã thiết lập một tiêu chuẩn mới về khả năng tái lập trong lĩnh vực AI kháng lượng tử, đồng thời mở đường cho những kiến trúc lai hiệu quả hơn trong tương lai.
