MWC 2018
2018
Computex
IFA 2018
Nvidia анонсировала семейство моделей искусственного интеллекта Ising, предназначенных для решения основной проблемы современных квантовых компьютеров — слишком большого числа допускаемых ими ошибок, чтобы эти компьютеры могли использоваться наравне с традиционными.
Источник изображений: Nvidia
Лежащие в основе квантовых компьютеров кубиты по своей природе чрезвычайно хрупки и подвержены ошибкам — информационный шум может возникать под действием таких факторов окружающей среды как звуковые возмущения, свет, тепло и влияние других кубитов. Всё это может приводить к декогеренции, то есть потере кубитами необходимого для работы компьютера квантового состояния. В результате в вычислениях возникают ошибки, которые влияют на точность результатов всей системы. Даже лучшие из современных квантовых процессоров допускают одну ошибку примерно на тысячу операций, и чтобы сделать их полезными в научных и корпоративных задачах, данное число необходимо снизить до одной ошибки на триллион операций и даже меньше — и помочь в решении этой задачи способны технологии ИИ.
Первые из двух представленных Nvidia моделей ИИ позволяют вмешиваться в работу квантовых компьютеров на двух этапах: калибровки и декодирования результатов. Сегодня калибровку квантовых компьютеров осуществляют операторы или простые алгоритмы — в обоих случаях точность может страдать, калибровка — занимать несколько дней и недостаточно хорошо масштабироваться. Даже с системой из сотни кубитов задача о калибровке представляется крайне непростой, а для запуска коммерческих квантовых систем их должно быть несколько миллионов. Решать её в Nvidia предлагают с помощью Ising Calibration — визуальной языковой модели на 35 млрд параметров, которая, будучи в 15 раз меньше других подобных систем, автоматизирует процесс калибровки, управляя ИИ-агентами. В результате время на калибровку сокращается от нескольких дней до нескольких часов.
На втором этапе Nvidia предлагает использовать ИИ в предварительном декодировании результатов вычислений на квантовом компьютере — эту задачу компания хочет поручить свёрточной нейросети Ising Decoding. Сегодня значительная часть задачи по декодированию выполняется с помощью библиотеки PyMatching с открытым исходным кодом на Python и C++, в которой используется алгоритм минимально-весового идеального сопоставления (Minimum-Weight Perfect Matching), помогающий выявлять и исправлять ошибки. Ising Decoding совместима с PyMatching и другими декодерами, чью работу она призвана ускорить. Компания разработала два варианта этой модели: один оптимизирован для скорости и выполняет свою задачу в 2,5 раза быстрее альтернативных решений; а второй обеспечивает трёхкратный прирост точности. Кроме того, моделям Ising Decoding требуется в десять раз меньше исходных данных для работы.
В дальнейшем Nvidia планирует расширить линейку Ising новыми моделями. Они будут предназначены доля решения других задач, таких как оптимизация квантовых схем и ПО, управление на системном уровне и создание оптимизированных алгоритмов. Две представленные компанией модели уже используются поставщиками услуг в области ИИ, исследовательскими институтами и университетскими лабораториями.
Источник:
