IonQ ve Oak Ridge, üretken yapay zekâ ile kuantum devre tasarımından parametre ayarını kaldırdı

Ekipler ne geliştirdi

Oak Ridge Ulusal Laboratuvarı'ndaki araştırmacılar, IonQ ve NVIDIA ile birlikte çalışarak, dev.to'da yer alan bir habere göre, yinelemeli parametre ayarına gerek duymadan kuantum optimizasyon devreleri tasarlayan üretken bir yapay zekâ yöntemi gösterdi. Parametre ayarı, normalde hibrit kuantum iş akışlarında en çok zaman alan adımdır ve bu adımın ortadan kaldırılması çalışmanın temel iddiasıdır.

Hibrit kuantum optimizasyonu, büyük bir problemi her biri kendi devresine ihtiyaç duyan daha küçük alt problemlere bölerek çalışır. Bugün bu, tahmin et ve kontrol et döngüsü anlamına geliyor: bir devre çalıştır, sonucu ölç, parametreleri ayarla ve çıktı yeterince iyi olana kadar tekrarla. Alt problemler büyüdükçe bu döngüye harcanan zaman ve işlem gücü hızla artıyor — dev.to, iyi parametreler bulma maliyetinin daha büyük ölçekte kuantum yaklaşımının faydasını aşabileceğine dikkat çekiyor.

Devrelerle eğitilmiş bir transformer

Otomasyon, modern büyük dil modellerinin arkasındaki mimariyle aynı olan bir transformer modelinden geliyor. Model, insan dili yerine, daha önceki elle yapılan yöntemlerle üretilmiş yüksek kaliteli, en iyiye yakın devrelerle eğitildi. Yeni bir alt problem verildiğinde, model parametre uzayında arama yapmak yerine doğrudan devre talimatlarını yazıyor.

Bu süreç tek atımlık bir üretici değil: model her alt problem için on aday devre üretiyor, bunlar simüle edilip değerlendiriliyor ve en iyi aday genel çözüme dahil ediliyor. Yine de, öngörülemeyen zaman dilimlerine sahip açık uçlu bir optimizasyon döngüsü, sabit sayıdaki aday değerlendirmesiyle değiştiriliyor.

Kıyaslama sayıları

Ekip, yaklaşımı 100 karar değişkenli yüksek mertebeden bir kıyaslama problemi üzerinde test etti ve alt problemler dört qubitten on iki qubite ölçeklenirken mevcut en iyi deneme yanılma teknikleriyle karşılaştırdı.

Karşıt durum belirgindi. dev.to'ya göre, geleneksel yöntem altında bir devre bulmak için gereken süre küçük uçta 34 saniyeden on iki qubitte 11 dakikanın üzerine çıktı. Üretken yaklaşım ise test edilen tüm boyutlarda yaklaşık 28 saniyede sabit kaldı. Çözüm kalitesi de doğru yönde ilerledi: modelin ürettiği sonuçlar, daha büyük alt problemler kullanıldığında iki kat doğruluk iyileşmesi gösterdi.

Simülasyon ortamı

Çalışma tamamen simülasyon üzerinde, fiziksel kuantum donanımı üzerinde değil yürütüldü; bu da araştırmacıların her iki yöntemi kontrollü koşullar altında karşılaştırmasını sağladı. Simülasyonlar NVIDIA cuQuantum SDK ve CUDA-Q platformu kullanıldı, tek bir NVIDIA H200 GPU ile desteklenen Oak Ridge Leadership Computing Facility'deki Defiant2 sisteminde çalıştırıldı.

İşbirliği hükümet, sanayi ve akademiyi kapsıyordu: Oak Ridge çalışmaya öncülük etti, Ulusal Hesaplamalı Bilimler Merkezi ile Malzeme Bilimi ve Teknoloji Bölümü'nden katkılar geldi; IonQ devre üretim modellerinin arkasındaki kuantum uzmanlığını sağladı; Knoxville'deki Tennessee Üniversitesi'nden yüksek lisans araştırmacıları katıldı ve NVIDIA yazılım ile donanım entegrasyonunu üstlendi.

Sırada ne var

Araştırmacılar, çerçeveyi kıyaslamaların ötesine gerçek bilimsel ve mühendislik problemlerine taşımayı ve daha büyük yüksek performanslı hesaplama kümelerine ölçeklendirmeyi planlıyor. Belirtilen hedeflarden biri, gelecek nesil kuantum donanımlarıyla uyumluluk — fiziksel işlemciler qubit sayısı ve kararlılık kazandıkça, otomatik devre tasarımının daha az değil, daha önemli hale gelmesi bekleniyor.

Neden önemli

Varyasyonel parametre araması, hibrit kuantum algoritmalarındaki uzun süreli darboğazlardan biridir ve daha büyük problem örneklerinin çoğu zaman pratik olmaktan çıkmasının temel nedenlerinden biridir. Bu döngüyü devreleri doğrudan üreten eğitilmiş bir modelle değiştirmek ölçekleme matematiğini değiştiriyor: alt problemler büyüdükçe çalışma süresi sabit kalıyor ve doğruluk kötüleşmek yerine iyileşiyor. Sonuç fiziksel donanımda ve daha büyük qubit sayılarında geçerli olursa, kurumsal ve bilimsel kullanıcıların sürekli ayarlamak yerine fiilen planlayabileceği kuantum optimizasyon iş yükleri için tekrarlanabilir bir yol sunuyor. Uyarılar gerçek — gösterim yalnızca simülasyon üzerinden ve on iki qubitlik alt problemlerle sınırlı — ancak yapay zekâ destekli devre sentezinin bir kanıtı olarak, makul bir iş bölümüne işaret ediyor: klasik GPU'lar ve üretken modeller devreleri tasarlıyor, kuantum işlemciler ise bunları çalıştırıyor.