Классическая опора квантовых технологий
Квантовые компьютеры обещают однажды решать задачи, которые не под силу самым мощным суперкомпьютерам. Однако редко упоминают, насколько сильно их работа зависит от обычной, классической вычислительной техники. Рост числа кубитов требует постоянных инноваций в поддерживающей инфраструктуре — без неё раскрыть потенциал квантовых систем невозможно.
Крупные игроки активно наращивают мощности классического «железа» и софта, готовясь к масштабным квантовым машинам. В апреле компания Nvidia представила новое программное обеспечение на базе ИИ, призванное ускорить классические задачи, обслуживающие квантовые компьютеры. Австралийская Q-CTRL создала алгоритм автоматической калибровки и уже использует агентную систему Nvidia. Аналогичные инструменты разрабатывают IBM Quantum, британская Riverlane (специализируется на коррекции ошибок) и Google Quantum AI.
«Самый дешёвый и быстрый способ выполнить большинство программ — запустить их на классическом компьютере, даже если доступен квантовый, — говорит Адам Зальцман, инженер по квантовому ПО из Google Quantum AI. — Это верно и для обработки информации, задействованной в работе самого квантового компьютера. Поэтому я ожидаю, что любая практичная и эффективная архитектура будет включать быстрые классические устройства».
Цифровые микросхемы — чудеса инженерии, работающие без сбоев из коробки и способные выполнять триллионы операций без ошибок. Квантовые биты (кубиты), напротив, капризны и ненадёжны: им нужны регулярная калибровка и сложные схемы коррекции ошибок. Принципиально важно, что калибровка и коррекция ошибок — это классические, а не квантовые задачи, требующие специального классического «железа». С ростом размеров квантовых компьютеров объём таких ресурсов должен расти пропорционально. В обозримом будущем квантовые компьютеры останутся гибридными, с солидной долей классических вычислений «на борту».
Тонкая настройка квантового оборудования
Если в классических чипах фундаментом служит транзистор, то в квантовых компьютерах кубиты реализуются по-разному: сверхпроводящие цепи, захваченные ионы, нейтральные атомы и даже отдельные фотоны. Чтобы использовать их для вычислений, нужно пройти трудоёмкий процесс калибровки, превращающий «голую» физическую систему в управляемый кубит, пригодный для запуска квантовых схем, поясняет Джей Гилмарт, ведущий продукт-менеджер Q-CTRL.
Калибровка включает два этапа. Первый — «запуск» (bring up) — определяет резонансную частоту каждого кубита, время удержания квантового состояния, чувствительность к управляющим импульсам и силу взаимодействия с соседями. Эти параметры определяют склонность к ошибкам и реакцию на управляющие сигналы. Ручная настройка до сих пор требует специалиста с учёной степенью и может занимать дни или даже недели. Такое решение немасштабируемо, поэтому всё сильнее стремление автоматизировать процесс. Задача усложняется тем, что каждый шаг опирается на результаты предыдущего. Вместо жёсткого скрипта Q-CTRL создала интеллектуальное ПО, которое анализирует каждое измерение, диагностирует сбои и корректирует подход перед повторением попытки. «После каждого шага мы анализируем данные и решаем: можно ли двигаться дальше, нужно ли вернуться к предыдущему шагу или повторить текущий», — рассказывает Гилмарт.
Калибровка не разовая акция: ключевые параметры со временем дрейфуют, снижая точность работы. Программное обеспечение Q-CTRL выполняет «перекалибровку во время выполнения», возвращая параметры в норму. Однако возможности корректировки «на лету» ограничены. «Если я занимаюсь перекалибровкой, я не выполняю квантовую схему, — отмечает Гилмарт. — Даже поддерживая высокое качество системы, я теряю всё полезное время, а это бессмысленно».
Декодирование ошибок в реальном времени
Даже хорошо откалиброванный квантовый компьютер остаётся подверженным сбоям, поэтому компании активно вкладываются в квантовую коррекцию ошибок (ККО). Обычно это подразумевает кодирование информации в общем состоянии множества физических кубитов — создание «логического кубита». Ошибки отдельных кубитов обнаруживаются и компенсируются без разрушения закодированной информации. Прямое измерение кубита коллапсирует его состояние, поэтому ошибки выявляют через «проверки чётности»: они показывают, одинаково ли состояние у пар кубитов. Результатом становится серия измерений — «синдром», — которую классические алгоритмы-декодеры анализируют для поиска ошибок.
Процесс должен идти очень быстро. Многие ошибки можно зафиксировать и скорректировать математически уже после операции, но некоторые требуют немедленного вмешательства, прежде чем алгоритм продолжит работу. Сверхпроводящие и спиновые кубиты в кремнии сохраняют квантовое состояние всего микросекунды или миллисекунды, поэтому декодирование и коррекция должны укладываться в этот временной промежуток. Жёсткие ограничения вынуждают реализовывать декодеры на специализированных микросхемах — программируемых пользователем вентильных матрицах (ПЛИС, FPGA) или интегральных схемах специального назначения (ASIC), оптимизированных под скорость. «Нужно не отставать и декодировать на лету, — объясняет Джерри Чоу, технический директор направления квантово-ориентированных суперкомпьютеров IBM. — Лучший способ — плотно интегрированные возможности декодирования на ПЛИС или ASIC».
Искусственный интеллект в квантовых вычислениях: за и против
Растёт интерес к применению ИИ для упрощения управления квантовым оборудованием. В апреле Nvidia выпустила две модели, нацеленные на калибровку и декодирование. Первая использует визуально-языковую модель для анализа результатов калибровочных измерений (обычно графиков) и передаёт оценку ИИ-агенту, который решает, как скорректировать процессор. Вторая — свёрточная нейросеть, выявляющая простые локальные ошибки (составляющие большинство сбоев). Более сложные ошибки передаются традиционному алгоритмическому декодеру, но первый проход снижает вычислительную нагрузку и даёт двукратное ускорение.
Привлекательность ИИ для декодирования, по словам Сэма Станвика, директора по квантовым продуктам Nvidia, в том, что хотя обучение моделей требует времени, сам вывод (inference) очень быстрый, а благодаря параллелизму на множестве чипов скорость сохраняется даже при росте числа кубитов. Однако передача данных на GPU вносит ощутимую задержку, предупреждает Марко Гибауди, вице-президент по разработке в Riverlane. «Можно сделать очень толстый канал, но он будет очень длинным, — говорит он. — Наш подход всегда заключался в том, чтобы убрать лишние шаги, сократить путь и сделать каждый участок максимально быстрым».
Чоу из IBM соглашается, что задержки GPU пока делают их непригодными для декодирования в реальном времени. Он также скептически относится к ИИ для калибровки из-за вычислительных затрат. Такой подход перспективен для изучения физики новых архитектур или схем, но для хорошо изученных устройств, где требуется лишь подстройка, более дешёвые физически-информированные методы могут быть значительно эффективнее. Впрочем, два подхода не исключают друг друга, считает Зальцман из Google. Нейросети отлично находят скрытые закономерности в данных синдрома, помогая идентифицировать сложные ошибки, которые алгоритмы иногда пропускают. Google разрабатывает аппаратную архитектуру, способную сочетать традиционные и ИИ-декодеры, включая их модель AlphaQubit 2.
В долгосрочной перспективе, по мнению Энди Гу, аспиранта Гарварда, работающего над ИИ-декодерами, сработает «горький урок». Эта концепция восходит к пионеру ИИ Ричарду Саттону: универсальные обучающиеся методы со временем превосходят вручную спроектированные алгоритмы. «Если сделать модель достаточно большой и дать ей достаточно обучающих данных, она научится улавливать скрытые корреляции лучше любого написанного вручную алгоритма», — утверждает Гу. Задержка остаётся барьером, но его группа исследует способы сделать ИИ-декодеры более эффективными и компактными, чтобы их можно было разместить на ПЛИС, сократив время отклика. Это может снизить точность, поэтому поиск баланса ещё продолжается.
Масштабирование: классическая инфраструктура критична
Независимо от того, какой подход победит, одно несомненно: будущие квантовые компьютеры потребуют колоссальной классической поддержки. Декодирование — это непрерывный, вычислительно затратный процесс при любой технике, поэтому потребуется «солидный кусок» классического оборудования, выделенного под эту задачу, отмечает Гу. Накладные расходы на калибровку тоже «взрываются» по мере роста устройств до тысяч или миллионов кубитов, добавляет Гилмарт из Q-CTRL. Текущие методы вряд ли масштабируются, и потребуются новые подходы. «Когда мы достигнем хотя бы 1000 кубитов, нам придётся перепроектировать архитектуру и действовать иначе, — предупреждает он. — Сегодня никто ещё не выиграл эту битву».