‍ 🔴 انویدیا می‌گوید دیکودر مبتنی بر هوش مصنوعی او به کاهش ۳۴۷ برابری نرخ خطای منطقی کوانتومی دست یافته است

🔹شرکت انویدیا از انتشار یک دیکودر (رمزگشا) متن‌باز برای تصحیح خطای کوانتومی خبر داده است که عملکرد آن بر اساس #هوش_مصنوعی طراحی شده است.

🔸این دیکودر که «Ising Decoder ColorCode 1 Fast» نام دارد، به طور خاص برای #کدهای_رنگی (Color Codes) توسعه یافته است. کدهای رنگی، دسته‌ای از #کدهای_توپولوژیک هستند که برخلاف کدهای سطحی (Surface Codes) رایج، امکان اجرای گیت‌های کلیفورد (مجموعه‌ای از عملیات‌های کوانتومی پایه) را به صورت عرضی فراهم می‌کنند؛

🔹به این معنی که عملگر مورد نظر به طور مستقل بر روی هر کیوبیت فیزیکی اعمال می‌شود و از انتشار خطا در سراسر کیوبیت منطقی جلوگیری می‌کند. این ویژگی، کدهای رنگی را برای #محاسبات_کوانتومی در مقیاس بزرگ جذاب می‌کند، اما پیچیدگی بالای رمزگشایی آنها تاکنون یک مانع عملیاتی بزرگ بوده است.

🔸نوآوری کلیدی این دیکودر در معماری دو مرحله‌ای آن نهفته است. این سیستم از یک پیش‌رمزگشا (Pre-decoder) استفاده می‌کند که یک #شبکه_عصبی پیچشی (Convolutional Neural Network - CNN) نسبتاً کوچک با تقریباً ۲.۹ میلیون پارامتر و ۱۷ لایه است. وظیفه این شبکه، ساده‌سازی سندرم‌های خطا (الگوهای اندازه‌گیری شده که نشان‌دهنده وقوع خطا هستند) قبل از ارسال آنها به دیکودر اصلی متن‌باز به نام «Chromobius» است.

❗با حذف الگوهای خطای موضعی و کاهش پیچیدگی مسئله باقی‌مانده، دیکودر نهایی می‌تواند با سرعت بیشتری کار کرده و تعداد خطاهای منطقی (خطاهایی که پس از اعمال تصحیح، در سطح کیوبیت منطقی باقی می‌مانند) را به طور چشمگیری کاهش دهد.

🔹این رویکرد به طور مستقیم به چالش اساسی افزایش فاصله کد پاسخ می‌دهد؛ هرچه فاصله کد (که نشان‌دهنده تعداد کیوبیت‌های فیزیکی اختصاص‌یافته برای محافظت از یک کیوبیت منطقی است) بزرگتر باشد، محافظت بیشتری فراهم می‌شود، اما رمزگشایی آن نیازمند منابع محاسباتی بیشتری است.

🔸نتایج بنچمارک انویدیا نشان می‌دهد که این دیکودر هوشمند در شرایط خاص، عملکردی بسیار فراتر از دیکودر «Chromobius» داشته است. بر اساس گزارش‌ها، نقطه‌ی تلاقی عملکرد این دو دیکودر در فاصله کد ۱۳ رخ می‌دهد و از آن نقطه به بعد، دیکودر جدید هم از نظر سرعت و هم از نظر دقت بهبود می‌یابد.

❗بیشترین بهبود ثبت‌شده در فاصله کد ۳۱ و با نرخ خطای فیزیکی (احتمال وقوع خطا در هر کیوبیت فیزیکی) معادل ۰.۳ درصد حاصل شده است که در آن، نرخ خطای منطقی تا ۳۴۷.۷ برابر کاهش و سرعت رمزگشایی تا ۷.۳ برابر افزایش یافته است.

🔹این آزمایش‌ها با اجرای مدل «Fast» بر روی سیستم «NVIDIA DGX GB300» و دیکودر «Chromobius» بر روی پردازنده «NVIDIA Grace Neoverse-V2 CPU» انجام شده است.

🔸در نهایت، انویدیا نه تنها وزن‌های مدل (Model Weights) را منتشر کرده، بلکه کل خط لوله‌ی آموزشی (Training Pipeline) را به صورت منتن باز در دسترس قرار داده است. هدف نهایی این پروژه، غلبه بر تنگنای محاسباتی رمزگشایی کدهای رنگی و زنده‌کردن مجدد این معماری‌ها به عنوان گزینه‌ای عملی برای تحقق محاسبات کوانتومی مقاوم به خطا است، که برای اجرای الگوریتم‌های پیچیده و تجاری ضروری خواهد بود.

📎لینک خبر
🟰🟰🟰🟰🟰🟰🟰🟰🟰🟰
🟢join: @QuantumTEQ
🌐Website
🔵LinkedIn
#اخبار #تصحیح_خطای_کوانتومی