A Nvidia apresentou modelos de IA para calibração e correção de erros em computadores quânticos.

A Nvidia anunciou uma família de modelos de IA Ising projetados para solucionar um problema crucial dos computadores quânticos atuais: eles cometem muitos erros, o que os impede de serem usados ​​em pé de igualdade com os computadores tradicionais.

Fonte da imagem: Nvidia

Os qubits, núcleo dos computadores quânticos, são inerentemente frágeis e propensos a erros — ruídos de informação podem ser gerados por fatores ambientais como interferências sonoras, luz, calor e a influência de outros qubits. Isso pode levar à decoerência, ou seja, à perda do estado quântico necessário para o funcionamento do computador. Consequentemente, ocorrem erros computacionais que afetam a precisão dos resultados de todo o sistema. Mesmo os melhores processadores quânticos modernos cometem aproximadamente um erro a cada mil operações. Para torná-los úteis em aplicações científicas e corporativas, essa taxa precisa ser reduzida para um erro a cada trilhão de operações ou menos — uma tarefa que as tecnologias de IA podem ajudar a resolver.

O primeiro dos dois modelos de IA apresentados pela Nvidia permite a intervenção em computadores quânticos em duas etapas: calibração e decodificação de resultados. Atualmente, os computadores quânticos são calibrados por operadores humanos ou algoritmos simples; em ambos os casos, a precisão pode ser comprometida, a calibração leva vários dias e a escalabilidade é limitada. Mesmo com um sistema de centenas de qubits, a calibração é extremamente desafiadora, e os sistemas quânticos comerciais exigem milhões deles. A Nvidia propõe resolver esse problema usando a Calibração de Ising, um modelo de linguagem visual com 35 bilhões de parâmetros que, embora 15 vezes menor que outros sistemas similares, automatiza o processo de calibração guiando agentes de IA. Como resultado, o tempo de calibração é reduzido de vários dias para apenas algumas horas.

Na segunda fase, a Nvidia propõe usar IA para pré-decodificar os resultados de cálculos de computadores quânticos — uma tarefa que a empresa planeja delegar à rede neural convolucional Ising Decoding. Atualmente, uma parte significativa da tarefa de decodificação é realizada usando a biblioteca de código aberto PyMatching para Python e C++, que utiliza o algoritmo Minimum-Weight Perfect Matching para ajudar a identificar e corrigir erros. A Ising Decoding é compatível com o PyMatching e outros decodificadores, cujo desempenho ela visa acelerar. A empresa desenvolveu duas variantes desse modelo: uma otimizada para velocidade e que executa a tarefa 2,5 vezes mais rápido do que soluções alternativas; a segunda oferece um aumento de três vezes na precisão. Além disso, os modelos Ising Decoding requerem dez vezes menos dados de entrada para operar.

A Nvidia planeja expandir a linha Ising com novos modelos no futuro. Eles serão usados ​​para resolver outros problemas, como otimização de circuitos e softwares quânticos, controle em nível de sistema e criação de algoritmos otimizados. Os dois modelos apresentados pela empresa já estão sendo usados ​​por provedores de serviços de IA, institutos de pesquisa e laboratórios universitários.