کیوبیت‌های منطقی، نه تعداد کیوبیت‌های فیزیکی، عدد مهم در محاسبات کوانتومی هست

اشتراک‌گذاری:
کیوبیت‌های منطقی، نه تعداد کیوبیت‌های فیزیکی، عدد مهم در محاسبات کوانتومی هست

هر چند ماه یه بار یه اعلامیه‌ی جدید از دنیای محاسبات کوانتومی می‌رسه، با یه عدد بزرگ‌تر از دفعه‌ی قبل. یه چیپ با کیوبیت‌های بیشتر، یه پردازنده با تعداد بالاتر، یه نقشه‌ی راه که وعده‌ی هزاران کیوبیت تا پایان این دهه رو می‌ده. این عدد هم راحت گزارش می‌شه هم راحت مقایسه — و دقیقاً همینه که گمراه‌کننده‌ست. یه کیوبیت فیزیکی یه دستگاه پر نویزه که حالت کوانتومیش رو در عرض چند میکروثانیه تا چند میلی‌ثانیه از دست می‌ده. دستگاهی که بتونه الگوریتم‌های مفید برای شیمی، علم مواد یا رمزنگاری رو اجرا کنه، به کیوبیت منطقی نیاز داره: واحدهای اطلاعاتی که با تصحیح خطا محافظت می‌شن و به قدری قابل اعتماد هستن که بشه هزاران یا میلیون‌ها عملیات رو به هم زنجیر کرد.

شکاف بین این دو عدد، اصلی‌ترین چالش مهندسی این حوزه‌ست. برای اینکه بتونی ادعاهای شرکت‌ها رو درست بخونی، باید این شکاف رو بفهمی و سوال‌هایی بپرسی که واقعیت رو آشکار می‌کنه.

چرا کیوبیت‌های فیزیکی کافی نیستن

حالت‌های کوانتومی شکننده‌ان. گرما، نویز الکترومغناطیسی و پالس‌های کنترلی ناقص، همه باعث بروز خطا می‌شن و این خطاها روی هم انباشته می‌شن. بدون تصحیح، یه محاسبه‌ی طولانی تبدیل به یه مولد اعداد تصادفی می‌شه. تصحیح خطا این مشکل رو با کدگذاری یه کیوبیت منطقی روی چندین کیوبیت فیزیکی حل می‌کنه؛ بعد هم بارها «چک‌های توازن» (parity checks) انجام می‌ده که خطاها رو بدون از بین بردن اطلاعات ذخیره‌شده آشکار می‌کنن. «کد سطحی» (surface code) که تا به حال بیشترین مطالعه رو داشته، کیوبیت‌های فیزیکی رو روی یه شبکه‌ی دوبعدی مرتب می‌کنه و از این چک‌ها برای تشخیص و رفع مداوم خطاها استفاده می‌کنه.

گیر کار اینجاست: سربار. یه کیوبیت منطقی که با کد سطحی ساخته می‌شه به یه «فاصله‌ی کد» (code distance) به نام d نیاز داره — عددی که تقریباً مشخص می‌کنه کد چقدر خطا رو می‌تونه تحمل کنه. تعداد کیوبیت‌های فیزیکی به ازای هر کیوبیت منطقی با مربع d رشد می‌کنه، پس یه کیوبیت منطقی ممکنه بسته به نرخ خطای سخت‌افزار و دقتی که الگوریتم نیاز داره، به چند صد تا بیش از هزار کیوبیت فیزیکی نیاز داشته باشه. در نتیجه یه دستگاه با ده‌هزار کیوبیت فیزیکی ممکنه فقط یه مشت کیوبیت منطقی قابل استفاده داشته باشه.

عبور از آستانه: نتیجه‌ای که بحث رو تغییر داد

مهم‌ترین نقطه‌عطف اخیر، نمایشی از تصحیح خطا زیر آستانه بود. منظور از آستانه اینجا، نرخ خطای فیزیکی‌ای هست که اگه نرخ خطا پایین‌ترش باشه، اضافه کردن qubit بیشتر به یه کد، نرخ خطای منطقی رو کاهش می‌ده نه اینکه بالاش ببره. اواخر ۲۰۲۴، شرکت Google Quantum AI گزارش داد که روی تراشه‌ی Willow، نرخ خطای یه qubit منطقی کد سطحی هر بار که فاصله‌ی کد از ۳ به ۵ و از ۵ به ۷ می‌رسید، تقریباً نصف می‌شد. همین رفتار مقیاس‌پذیری هست که ماشین‌های بزرگ‌تر رو بالقوه مفید می‌کنه؛ چون یعنی سخت‌افزار بیشتر می‌تونه قابلیت‌اطمینان بیشتری بیاره، نه نویز بیشتر.

از اون موقع، چند گروه دیگه هم آزمایش‌های کوچک qubit منطقی رو روی پلتفرم‌های یون محبوس و اتم خنثی، با کدها و سخت‌افزارهای مختلف، گزارش دادن. حوزه دیگه از این نمی‌پرسه که آیا تصحیح خطا اصلاً کار می‌کنه یا نه؛ حالا می‌پرسه چقدر خوب، چقدر ارزون، و روی کدوم معماری‌ها.

چطور ادعاهای qubit منطقی رو بخونیم

وقتی یه شرکت نتیجه‌ای درباره‌ی qubit منطقی اعلام می‌کنه، پنج تا اطلاعات مشخص می‌کنن که چقدر باید بهش اهمیت داد.

نرخ خطای منطقی به ازای هر عملیات یا هر چرخه‌ی تصحیح. یه qubit منطقی که فقط یه چرخه دوام بیاره با اونی که هزار چرخه دوام می‌آره فرق داره. نرخ خطا به ازای هر چرخه رو بخواید و بپرسید چطور اندازه گرفتن.

فاصله‌ی کد و نوع کد استفاده‌شده. نمایشی با فاصله‌ی ۳، صرفاً یه اثبات مفهومیه. فاصله‌ی ۷ یا بالاتر می‌گه که آیا رویکرد مقیاس‌پذیره یا نه. بپرسید از کدوم خانواده‌ی کد استفاده می‌شه، چون سربار بین کدها فرق می‌کنه.

نسبت qubit فیزیکی به منطقی. تعداد qubit فیزیکی رو تقسیم بر تعداد qubit منطقی کنید و چک کنید که این عدد با نرخ خطای اعلام‌شده منطقیه یا نه. اگه کسی ادعا کرد روی سخت‌افزار محدود، qubit منطقی زیادی داره، سوال بپرسید.

انتخاب پس از اجرا (Post-selection). بعضی آزمایش‌ها اجراهایی که تشخیص خطا در اونا مشکلی رو علامت‌گذاری کرده رو کنار می‌ذارن و فقط نتایج اجراهای باقی‌مونده رو گزارش می‌دن. این می‌تونه نرخ خطای ظاهری رو به‌شکل قابل‌توجهی بهبود بده. چک کنید که آیا اعداد گزارش‌شده شامل داده‌های کنارگذاشته‌شده هستن یا نه، و اینکه اگه همه‌ی اجراها نگه داشته می‌شدن، الگوریتم باز هم کار می‌کرد یا نه.

گیت‌های غیر-Clifford. تصحیح خطا بعضی عملیات‌ها رو ارزون مدیریت می‌کنه، اما بعضی دیگه — از جمله گیت T که برای محاسبات عمومی لازمه — به یه فرآیند پرهزینه به اسم تقطیر حالت جادویی (magic state distillation) نیاز دارن. ماشینی که روی گیت‌های ساده خطا رو خوب تصحیح می‌کنه، ممکنه برای الگوریتم‌هایی که واقعاً اهمیت دارن هنوز خیلی کند باشه. بپرسید هزینه‌ی گیت‌های T بر حسب qubit فیزیکی و زمان چقدره.

این موضوع برای چند سال آینده یعنی چی

واقعیت اینه که این حوزه هنوز توی مرحله‌ایه که اجزای پایه‌ش دارن اثبات می‌شن، نه اینکه ماشین‌های کاربردی وجود داشته باشن. شبیه‌سازی‌های شیمیایی و مواد که از روش‌های کلاسیک عملکرد بهتری دارن، پرتکرارترین هدف‌هایی هستن که ذکر می‌شن، و برای اینا به ده‌ها هزار کیوبیت منطقی با کیفیت بالا نیاز هست که برای مدت‌های طولانی اجرا بشن. ماشین‌های مرتبط با رمزشکنی (cryptographically relevant machines) هنوز خیلی دورترن، و بازه‌ی زمانی‌ای که توی بحث‌های عمومی مطرح می‌شه خیلی متفاوته. برای برنامه‌ریزی، مفیدترین شاخص‌ها اینان: نرخ خطای منطقی در فاصله‌های کد (code distance) بزرگ‌تر، هزینه‌ی عملیات‌های غیر-Clifford، و نمایش عملی الگوریتم‌های چندمرحله‌ای روی کیوبیت‌های منطقی (نه تست‌های تک‌مرحله‌ای).

یه نکته‌ی عملی هم برای کسایی که این حوزه رو دنبال می‌کنن هست. بیانیه‌های مطبوعاتی که با تعداد کیوبیت شروع می‌شن معمولاً راحت‌تر نوشته می‌شن تا اونایی که با نرخ خطای منطقی شروع می‌کنن، و همین عدم تقارن خودش یه سیگنال هست. عدد تیتر رو نقطه‌ی شروع سوال بدون، نه جواب.

نکات کاربردی

  • هر وقت تعداد کیوبیت دیدی، بپرس چند تا کیوبیت منطقی دارن، فاصله‌ی کد (code distance) چقدره، و نرخ خطای منطقی در هر سیکل چنده. اگه هیچ‌کدوم از اینا نبود، اون ادعا هنوز قابل مقایسه نیست.
  • نسبت کیوبیت فیزیکی به منطقی رو خودت حساب کن و با نرخ‌های خطای گزارش‌شده چک کن که منطقی به نظر برسه.
  • بررسی کن آیا نتایج از پس‌انتخاب (post-selection) استفاده کردن یا نه، و اینکه اگه اجراهای کنارگذاشته‌شده هم حساب می‌شدن، اعداد باز هم همون می‌موندن یا نه.
  • برای برنامه‌ریزی الگوریتم، به جای اینکه فقط اندازه‌ی سخت‌افزار رو در نظر بگیری، روی هزینه‌ی گیت‌های غیر-Clifford و تعداد عملیات‌های منطقی که یه محاسبه‌ی هدف نیاز داره تمرکز کن.
  • به جای اینکه فقط اعلامیه‌ها رو دنبال کنی، مقالات داوری‌همتا (peer-reviewed) و داده‌های خامی که شرکت‌ها منتشر می‌کنن رو پیگیری کن؛ چون بخش روش‌شناسی معمولاً اون هشدارهایی رو داره که تیتر ازشون حرف نمی‌زنه.

کیوبیت‌های فیزیکی نشون می‌دن یه آزمایشگاه چقدر سخت‌افزار ساخته. کیوبیت‌های منطقی نشون می‌دن اون آزمایشگاه چقدر محاسبه‌ی قابل‌اعتماد می‌تونه انجام بده. فقط عدد دوم بهت می‌گه کِی کامپیوترهای کوانتومی شروع می‌کنن به حل مسائلی که ماشین‌های کلاسیک نمی‌تونن حلشون کنن، و این عددیه که ارزش دنبال کردن داره.

اشتراک‌گذاری:
کیوبیت منطقی در برابر فیزیکی: چگونه ادعاهای کوانتومی را بخوانیم | IRCNF | AIO APEX