การเพาะเลี้ยงสถานะเมจิกลดข้อผิดพลาดในการทดสอบ Willow ของ Google

การเพาะเลี้ยงสถานะเมจิกลดข้อผิดพลาดได้ประมาณ 40 เท่าในการทดลองบนโปรเซสเซอร์ควอนตัม Willow ของ Google บริษัทประกาศเมื่อวันที่ 15 ตุลาคม 2026 บริษัทย่อยของ Alphabet ทำค่าความเที่ยงตรงเชิงตรรกะได้ 99.99% สำหรับสถานะควอนตัมที่เตรียมขึ้นเป็นพิเศษ ซึ่งช่วยแก้ปัญหาคอขวดด้านทรัพยากร แต่ไม่ได้แสดงให้เห็นว่ามีคอมพิวเตอร์ควอนตัมพร้อมใช้งานเชิงพาณิชย์แล้ว

ประเด็นสำคัญ

• การลดข้อผิดพลาดนี้ใช้กับสถานะควอนตัมที่เตรียมขึ้น ไม่ใช่ความแม่นยำของคอมพิวเตอร์ทั้งเครื่อง
• เทคนิคนี้อาจช่วยลดทรัพยากรฮาร์ดแวร์ที่จำเป็นสำหรับการคำนวณควอนตัมที่ใช้งานได้จริง
• Google ระบุว่ายังต้องมีการสาธิตในระดับที่ใหญ่ขึ้นและการพัฒนาด้านวิศวกรรมเพิ่มเติม

สารบัญ

• การเพาะเลี้ยงสถานะเมจิกทำอะไรได้บ้าง
• เหตุใดการเตรียมสถานะจึงใช้ทรัพยากรมาก
• ความเข้ากันได้กับฮาร์ดแวร์ดีขึ้น แต่ยังไม่พิสูจน์ความสามารถในการขยายขนาด
• สรุป

การเพาะเลี้ยงสถานะเมจิกทำอะไรได้บ้าง

นักวิจัยจาก Google Quantum AI สาธิตวิธีสร้าง T-state คุณภาพสูง ซึ่งเป็นสถานะควอนตัมชนิดหนึ่งที่ช่วยให้สามารถดำเนินการต่าง ๆ ซึ่งจำเป็นต่อการคำนวณควอนตัมแบบสากลได้ ผลค่าความเที่ยงตรงเชิงตรรกะ 99.99% วัดว่าสถานะเหล่านี้ใกล้เคียงกับรูปแบบที่ตั้งใจไว้เพียงใด

ประกาศของ Google เรื่องการเพาะเลี้ยงบน Willow ระบุว่าข้อผิดพลาดลดลงประมาณ 40 เท่าเมื่อเทียบกับสถานะที่เตรียมโดยไม่ใช้การเพาะเลี้ยง บริษัทระบุว่างานวิจัยนี้ได้รับการตีพิมพ์ในวารสาร Science เมื่อวันที่ 15 ตุลาคม

ขอบเขตของผลลัพธ์นี้มีความสำคัญ กล่าวคือ การทดลองช่วยปรับปรุงองค์ประกอบพื้นฐานของการคำนวณควอนตัม แต่ไม่ได้ยืนยันว่าโปรแกรมทั้งหมดสามารถทำงานด้วยความแม่นยำ 99.99% หรือว่าโปรเซสเซอร์พร้อมใช้งานเชิงพาณิชย์แล้ว

เหตุใดการเตรียมสถานะจึงใช้ทรัพยากรมาก

การสร้างสถานะเมจิกที่มีคุณภาพสูงและผ่านการแก้ไขข้อผิดพลาดต้องใช้ทรัพยากรมาก และไม่สามารถนำสถานะแต่ละสถานะกลับมาใช้ใหม่ได้หลังจากถูกใช้ไปแล้ว Google อ้างถึงประมาณการที่ระบุว่าการเตรียมสถานะเหล่านี้อาจใช้ความสามารถของคอมพิวเตอร์ควอนตัมสูงถึง 95% ทำให้เหลือทรัพยากรสำหรับการคำนวณค่อนข้างน้อย

การเพาะเลี้ยงทำหน้าที่เป็นตัวกรอง นักวิจัยป้อนสถานะที่มีสัญญาณรบกวนเข้าไปในบริเวณเล็ก ๆ ของชิป จากนั้นใช้การวัดที่ประสานกันเพื่อตรวจหาข้อผิดพลาดและคัดทิ้งความพยายามที่มีข้อบกพร่อง สถานะที่เหลือสามารถนำไปปรับให้เข้ากับการเข้ารหัสที่ใหญ่ขึ้นได้

ดังนั้น การเตรียมที่มีประสิทธิภาพมากขึ้นอาจช่วยลดขนาดของคอมพิวเตอร์ควอนตัมที่จำเป็นสำหรับงานที่ใช้งานได้จริง อย่างไรก็ตาม นี่เป็นเพียงประโยชน์ที่อาจเกิดขึ้น ยังไม่ใช่การสาธิตว่าต้นทุนของระบบเชิงพาณิชย์ลดลง

ความเข้ากันได้กับฮาร์ดแวร์ดีขึ้น แต่ยังไม่พิสูจน์ความสามารถในการขยายขนาด

ทีมวิจัยยังถ่ายโอนสถานะที่ผ่านการเพาะเลี้ยงระหว่างแนวทางการแก้ไขข้อผิดพลาดสองรูปแบบ โดยย้ายจากรหัสสีไปเป็นรหัสพื้นผิว การทดสอบนี้ตรวจสอบว่าสถานะที่ผ่านการทำให้บริสุทธิ์แล้วสามารถคงสภาพไว้ได้ระหว่างการเปลี่ยนผ่านภายในสถาปัตยกรรมการคำนวณของ Google หรือไม่

การทดลองนี้ต้องปรับเปลี่ยนทั้งระบบควบคุมและเทคนิคการวัด หลังจากสัญญาณรบกวนในห้องปฏิบัติการส่งผลต่อการทดสอบเปรียบเทียบครั้งก่อน Google ระบุว่ายังมีความท้าทายทางเทคนิคอย่างมากก่อนที่การเพาะเลี้ยงจะทำงานได้ในระดับที่เหมาะกับการประยุกต์ใช้คอมพิวเตอร์ควอนตัมในทางปฏิบัติ

สรุป

ผลลัพธ์นี้ทำให้การเพาะเลี้ยงก้าวจากทฤษฎีมาสู่การสาธิตบนฮาร์ดแวร์ หลักชัยทางเทคนิคถัดไปคือการแสดงให้เห็นว่าวิธีนี้สามารถขยายขนาดได้โดยยังคงรักษาข้อได้เปรียบไว้ Google ไม่ได้ระบุกำหนดเวลาสำหรับการนำไปใช้งานจริง

อ่านข่าวเพิ่มเติม

ข่าวเพิ่มเติมจาก FinanceVelix

ข้อจำกัดความรับผิด

บทความ FinanceVelix นี้นำเสนอข้อมูลทั่วไป ไม่ใช่คำแนะนำทางการเงิน การลงทุน กฎหมาย หรือภาษีเฉพาะบุคคล ราคาตลาด อัตราดอกเบี้ย และภาวะเศรษฐกิจอาจเปลี่ยนแปลงได้ การลงทุนมีความเสี่ยงที่จะขาดทุน ข้อเท็จจริงอ้างอิงจากข้อมูลที่มีอยู่ ณ เวลาที่เผยแพร่และอาจเปลี่ยนแปลงได้ โปรดตรวจสอบข้อมูลสำคัญด้วยตนเอง และปรึกษาผู้เชี่ยวชาญที่มีคุณสมบัติเหมาะสมเมื่อจำเป็น การกล่าวถึงสินทรัพย์ บริษัท หรือบริการใด ๆ ไม่ถือเป็นการรับรอง