კვანტური გამოთვლა არის ინფორმაციის დამუშავების წესი, რომელიც ეყრდნობა კვანტური მექანიკის კანონებს და არა იმ ჩვეულებრივ ორობით ლოგიკას, რომელზეც ყველა ჩვეულებრივი კომპიუტერი მუშაობს. ეს არ არის თქვენი ლეპტოპის უფრო სწრაფი ვერსია — ეს ფუნდამენტურად განსხვავებული მანქანაა, რომელიც კარგად უმკლავდება ამოცანების ვიწრო წრეს, სადაც ჩვეულებრივ კომპიუტერებს უჭირთ, და დღეს არსებულ AI ჩატბოტებს არ ამუშავებს. რაც მას AI-სთან სულ უფრო აკავშირებს, ორმხრივი ურთიერთობაა: მანქანური სწავლება უკვე ეხმარება კვანტურ კომპიუტერებს უკეთ იმუშაონ, ხოლო კვანტურმა კომპიუტერებმა შესაძლოა მომავალში AI-საც დაეხმარონ.
კუბიტი მხოლოდ უფრო სწრაფი ბიტი არ არის
ჩვეულებრივი კომპიუტერი ინფორმაციას ინახავს ბიტებში — თითოეული მკაცრად 0 ან 1-ია. კვანტური გამოთვლა მას ინახავს კუბიტებში, რომლებსაც შეუძლიათ ერთდროულად ორივე მდგომარეობის კომბინაცია შეინახონ — ამ თვისებას სუპერპოზიცია ჰქვია. ორ კუბიტს ერთად შეუძლია ერთდროულად ოთხი კომბინაციის წარმოდგენა; სამს — რვა; და ეს რიცხვი ორმაგდება ყოველ დამატებულ კუბიტთან ერთად. სწორედ ეს ექსპონენციალური ზრდა იმ შესაძლებლობების სივრცეში, რომლის წარმოდგენაც კვანტურ კომპიუტერს შეუძლია — და არა უბრალო სისწრაფე — არის ის, საიდანაც მისი თეორიული უპირატესობა მომდინარეობს.
კუბიტები ასევე შეიძლება დაუკავშირდნენ ერთმანეთს გადახლართულობის მეშვეობით — ისე, რომ ერთის გაზომვა მყისვე გვეუბნება რაღაცას მეორის შესახებ, მიუხედავად იმისა, რამდენად შორს არიან ერთმანეთისგან. სუპერპოზიცია და გადახლართულობა ერთად კვანტურ კომპიუტერს საშუალებას აძლევს, გარკვეული ამოცანების ბევრი შესაძლო პასუხი ერთდროულად შეისწავლოს, იმის ნაცვლად, რომ თითოეული ცალ-ცალკე შეამოწმოს, როგორც ჩვეულებრივი პროცესორი აკეთებს.
რატომ არის მისი აშენება ასე რთული
პრობლემა ისაა, რომ სუპერპოზიცია მყიფეა. შემთხვევითმა სითბომ, ვიბრაციამ თუ ელექტრომაგნიტურმა ხმაურმა შეიძლება კუბიტი „დეკოჰერენციამდე" მიიყვანოს — ანუ კვანტური მდგომარეობიდან გამოიყვანოს — ხშირად მიკროწამებში. დღევანდელი მანქანები მუშაობენ ღრმა კოსმოსზე ცივ ტემპერატურაზეც კი და მაინც მუდმივად უშვებენ შეცდომებს, ამიტომ ცოტაოდენი ნედლი ფიზიკური კუბიტი სულაც არ ნიშნავს ცოტაოდენ გამოსადეგ კუბიტს — ბევრი ხმაურიანი ფიზიკური კუბიტი უნდა გაერთიანდეს ერთ საიმედო „ლოგიკურ" კუბიტად შეცდომების გასწორების გზით, და სწორედ ეს დანახარჯია მთავარი მიზეზი, რატომაც დიდი, საყოველთაო დანიშნულების კვანტური კომპიუტერები ჯერ არ არსებობს.
ისეთმა კომპანიებმა, როგორებიცაა IBM, Google და Microsoft, ჩაატარეს ექსპერიმენტები — მაგალითად, Google-ის 2019 წლის Sycamore ჩიპით — რომლებმაც აჩვენეს, რომ კვანტურ პროცესორს შეუძლია სპეციალურად შედგენილი გამოთვლა კლასიკურ სუპერკომპიუტერზე უფრო სწრაფად დაასრულოს. თუმცა ეს ჯერ არ გადაზრდილა კვანტური კომპიუტერის უპირატესობად რეალურ, სასარგებლო ამოცანაზე — მკვლევართა უმეტესობა ამ ეტაპს ჯერ მომავლად მიიჩნევს და არა უკვე გავლილად.
AI უკვე ეხმარება კვანტურ კომპიუტერებს
ორ სფეროს შორის ყველაზე ნათელი კავშირი დღეს სწორედ AI-დან კვანტურ აპარატურაში მიემართება, და არა პირიქით. 2024 წელს Google DeepMind-მა და Google Quantum AI-მ ჟურნალ Nature-ში გამოაქვეყნეს AlphaQubit — ნეირონული ქსელის დეკოდერი, აგებული ტრანსფორმერების არქიტექტურაზე — იმავე არქიტექტურაზე, რომელზეც დღევანდელი ჩატბოტების უმეტესობა დგას — გაწვრთნილი კვანტური ჩიპიდან წამოსული ხმაურიანი სიგნალების წასაკითხად და იმის დასადგენად, მოხდა თუ არა რეალურად შეცდომა. Google-ის Sycamore პროცესორზე ტესტირებისას მან შეცდომების რაოდენობა 6%-ით შეამცირა წინა საუკეთესო მათემატიკურ მეთოდთან შედარებით და 30%-ით — უფრო სწრაფ, ფართოდ გამოყენებულ ალტერნატივასთან შედარებით. შეცდომების სწორად და საკმარისად სწრაფად ამოცნობა კვანტური კომპიუტერის ერთ-ერთი მთავარი დაბრკოლებაა უფრო გრძელი და გამოსადეგი პროგრამების გასაშვებად — და ახლა სწორედ ამაში ეხმარება AI მოდელი.
საპირისპირო მიმართულება — კვანტური კომპიუტერები აჩქარებენ AI-ს — გაცილებით სპეკულაციურია. კვლევის სფერო სახელწოდებით კვანტური მანქანური სწავლება იკვლევს, შეუძლია თუ არა კვანტურ ალგორითმებს მანქანური სწავლების ცალკეული ნაწილების, მაგალითად ოპტიმიზაციის ან სემპლირების, დაჩქარება. აქამდე შემოთავაზებული კვანტური უპირატესობების უმეტესობა თეორიულ დაშვებებს ეყრდნობა, რომლებიც რეალურ აპარატურაზე არ დადასტურებულა, და კვანტური კომპიუტერებისგან უახლოეს მომავალში დიდი ენობრივი მოდელების წვრთნა თუ გაშვება არ არის მოსალოდნელი — ისინი სხვა ტიპის ამოცანას წყვეტენ, ვიდრე ის სპეციალიზებული ჩიპები, რომლებიც დღევანდელი მოდელების წვრთნასა და გაშვებას უზრუნველყოფენ.
რატომ აქვს ამას მნიშვნელობა ლაბორატორიის გარეთაც
კვანტური გამოთვლის ყველაზე მკაფიო, უახლოესი მნიშვნელობა AI-სთვის სისწრაფეს ნაკლებად ეხება და მეტად — უსაფრთხოებას. დღევანდელი ინტერნეტის დამცავი დაშიფვრის დიდი ნაწილი — მათ შორის AI სისტემების მონაცემთა არხები და API-ები — ეყრდნობა მათემატიკურ ამოცანებს, რომლებიც ჩვეულებრივი კომპიუტერისთვის რთულია, მაგრამ თეორიულად საკმარისად დიდმა, შეცდომებისგან დაცულმა კვანტურმა კომპიუტერმა შეიძლება გატეხოს. სწორედ ამ რისკის გამო არსებობს პოსტკვანტური კრიპტოგრაფია უკვე დღეს, ჯერ კიდევ სანამ ასეთი მანქანა აშენდება.
ამასობაში, AI-ის ყველაზე მწვავე აპარატურული პრობლემა კვლავ ის რჩება, რასაც კვანტური გამოთვლა არ წყვეტს: ჩვეულებრივი გამოთვლითი სიმძლავრის დეფიციტი, რომელიც დღევანდელი მოდელების გასაწვრთნელად და გასაშვებად სჭირდება. კვანტური პროცესორები ორიენტირებულია ოპტიმიზაციის, სიმულაციისა და კრიპტოგრაფიის ვიწრო წრის ამოცანებზე — და არა GPU-ებისა და სხვა AI ჩიპების ჩანაცვლებაზე, რომლებიც დღევანდელ AI-ს ავარჯიშებენ და ამუშავებენ.
ცნობისმოყვარე მკითხველს ამის რწმენაზე დაყრდნობა არ სჭირდება: IBM უფასოდ სთავაზობს ყოველთვიურ წვდომას რეალურ კვანტურ პროცესორებზე რეალური სქემების გასაშვებად, IBM Quantum Platform-ის მეშვეობით — ფიზიკის განათლება საჭირო არ არის.