ثبت رکورد جدید در ذخیره‌سازی اطلاعات روی پردازنده کوانتومی

شرکت Moth Quantum مدعی شده که با فناوری Tessa توانسته است ۱۵۶۸ مقدار عددی را روی یک پردازنده کوانتومی ۱۲۰ کیوبیتی ذخیره و بازیابی کند.

به گزارش سرویس سخت‌افزار تک‌ناک، پژوهشگران این شرکت توانسته‌اند این اطلاعات را در پردازنده Phoenix شرکت IBM ذخیره کنند و با بازیابی داده‌ها، یک تصویر را بازسازی نمایند.

انتقال اطلاعات معمولی به سخت‌افزار کوانتومی چالش مهمی است. کامپیوتر کوانتومی باید بتواند داده‌ها را دریافت کند و پس از پردازش، اطلاعات مورد نیاز را دقیق بازیابی نماید. هرگونه خطا در بازیابی می‌تواند کاربرد عملی این سیستم‌ها را محدود کند.

در پژوهش‌های پیشین، دانشمندان توانسته بودند ۱۲۸ مقدار عددی را با استفاده از ۱۲ کیوبیت یونی به‌دام‌افتاده بازیابی کنند. نتیجه جدید از نظر تعداد مقادیر بسیار بزرگ‌تر است. با وجود این‌، ثبت این رکورد به معنای بازیابی کامل و بدون خطای اطلاعات نیست.

نحوه ذخیره‌سازی اطلاعات روی پردازنده کوانتومی

روش Tessa از کیوبیت‌های مجاور برای تعیین محل ذخیره‌سازی استفاده می‌کند. به این ترتیب، پردازنده کوانتومی می‌تواند عملیات مورد نیاز را از طریق اتصال‌های موجود انجام دهد و نیازی به جابه‌جایی اطلاعات میان کیوبیت‌های دور از یکدیگر نداشته باشد.

این طراحی، عملیات جابه‌جایی و نیاز به کیوبیت‌های کمکی را حذف می‌کند. مدارهای استفاده‌شده در آزمایش به عمق ۱۹ عملیات دوکیوبیتی رسیدند. پژوهشگران تلاش کردند از ساختار خود پردازنده برای ذخیره‌سازی مقادیر بیشتر استفاده کنند.

دنیل بولترینی، پژوهشگر Moth Quantum و توسعه‌دهنده Tessa توضیح داد که هر کامپیوتر کوانتومی پیش از انجام فعالیت مفید باید داده‌ها را دریافت کند. به گفته او، همین مرحله به مانعی مهم برای حوزه‌هایی مانند یادگیری ماشین کوانتومی تبدیل شده است. بولترینی تأکید کرد که Tessa برای استفاده حداکثری از توان تراشه طراحی شده است تا تمام پردازنده بتواند هم‌زمان فعالیت کند.

تصویر مفهومی کامپیوتر کوانتومی با ساختار فلزی طلایی در کنار مکعب دیجیتالی درخشان که فرایند ذخیره‌سازی و بازسازی اطلاعات را نشان می‌دهد

پژوهشگران در آزمایش‌های مربوط به تصویر، مجموعه‌هایی شامل ۷۸۴ و ۴۴۱ مقدار عددی را ذخیره کردند. ذخیره‌سازی این مجموعه‌ها به‌ترتیب به ۷۲۸ و ۴۲۸ عملیات کنترل‌شده نیاز داشت. همچنین هر آزمایش شامل ۸۱۹۲ بار اندازه‌گیری بود.

نتایج نشان دادند که پیچیدگی تصویر بر کیفیت بازسازی تأثیر می‌گذارد. بزرگ‌ترین تصویر رنگی بازسازی‌شده ضریب همبستگی ۰.۶۹ با تصویر اصلی داشت. در مقابل، این شاخص برای تصاویر ساده‌تر به ۰.۹۵ تا ۰.۹۶ رسید. بنابراین، افزایش حجم اطلاعات لزوما به معنای حفظ کیفیت بازیابی نیست.

میانگین خطای عددی در پردازنده کوانتومی Phoenix برابر با ۰.۱۳۰ و در پردازنده Fez برابر با ۰.۱۳۱ ثبت شد. پژوهشگران پس از اعمال اصلاحات توانستند این مقادیر را به‌ترتیب به ۰.۰۷۵ و ۰.۰۷۸ کاهش دهند. البته اصلاحات بر دو شاخص آماری برگرفته از تصویر اصلی متکی بودند. در نتیجه، بخشی از بهبود بازسازی با استفاده از اطلاعاتی حاصل شد که از قبل مشخص بودند.

در آزمایش دیگری، روشنایی و رنگ تصاویر بررسی شدند. پردازنده Phoenix برای این دو ویژگی به‌ترتیب خطاهای ۰.۱۵۲ و ۰.۰۹۲ را ثبت کرد. مقادیر ثبت‌شده در پردازنده Fez نیز ۰.۱۴۴ و ۰.۰۸۴ بودند. خطای روشنایی Phoenix حدود ۲.۶ برابر بیشتر از پیش‌بینی مدل نویز شرکت بود. این اختلاف از خطاهای پیش‌بینی‌نشده سخت‌افزار واقعی حکایت داشت.

بازیابی داده‌های زیستی و محدودیت‌های کاربرد عملی

شرکت Moth Quantum آزمایش‌ها را به تصاویر محدود نکرد و روش Tessa را با داده‌های صوتی، نت‌های موسیقی، توالی‌های DNA و پروتئین نیز آزمود. پژوهشگران برای نمایش هر نوع اطلاعات در پردازنده کوانتومی از شیوه‌های متفاوتی استفاده کردند تا عملکرد روش را بسنجند.

در یکی از آزمایش‌ها، اطلاعات مربوط به ۳۴۷ نت فلوت ذخیره شد. پردازنده Fez پیش از اصلاح داده‌ها تنها ۱۸.۷ درصد از نت‌ها را به‌درستی بازیابی کرد. این میزان پس از اعمال اصلاحات به ۴۹.۳ درصد افزایش یافت. بازیابی دقیق موسیقی همچنان دشوار است.

آزمایش‌های زیستی به ۳۲۷۶۸ بار اندازه‌گیری نیاز داشتند که چهار برابر تعداد اندازه‌گیری‌های آزمایش‌های تصویری بود. با وجود این، دقت بازیابی در توالی‌ها و شیوه‌های اندازه‌گیری یکسان نبود. تفاوت نتایج نشان داد که نوع و ساختار داده در عملکرد نهایی نقش مهمی دارد.

در پردازنده Phoenix، نرخ بازیابی صحیح توالی پروتئین p53 به ۷۱.۵ درصد رسید. این میزان برای پروتئین Sonic hedgehog برابر با ۷۶.۲ درصد بود. بهترین نتیجه به پروتئین میتوکندریایی MT-CO3 تعلق داشت که ۹۲.۳ درصد از اطلاعات آن به‌درستی بازیابی شد.

در مقابل، توالی‌های دیگر نتایج ضعیف‌تری ثبت کردند. نرخ بازیابی پروتئین SUR1 تنها ۲۲.۶ درصد و برای پروتئین Pikachurin برابر با ۲۵.۸ درصد بود. چنین اختلافی نشان می‌دهد که موفقیت در یک توالی را نمی‌توان به تمام داده‌های زیستی تعمیم داد. توالی‌های طولانی‌تر یا پیچیده‌تر همچنان چالش‌برانگیز هستند.

پژوهشگران یک توالی DNA میتوکندریایی شامل ۷۸۴ واحد سازنده و یک توالی RNA پیام‌رسان مرتبط با POLG2 شامل ۱۵۸۲ واحد را نیز بررسی کردند. نویسندگان پژوهش هشدار دادند که حتی یک واحد اشتباه در DNA یا پروتئین می‌تواند اهمیت زیستی داشته باشد. بنابراین، نرخ بازیابی ۹۲.۳ درصدی نیز به‌تنهایی نشان‌دهنده آمادگی فناوری برای کاربردهای پزشکی قابل‌اعتماد نیست.

این پژوهش محدودیت‌های سخت‌افزاری دیگری هم دارد. شبیه‌سازی‌ها تمام تداخل‌های احتمالی میان گروه‌های مجاور پردازنده کوانتومی را شامل نمی‌شدند و آزمایش‌های واقعی بدون روش‌های تصحیح خطا انجام شدند. همچنین Tessa به الگوی مشخصی از اتصال میان کیوبیت‌ها وابسته است. با افزایش تعداد اتصال‌ها، تعداد اندازه‌گیری‌های مورد نیاز به‌ شدت رشد می‌کند.

پژوهشگران در این آزمایش‌ها از روش‌های کاهش خطا نیز استفاده نکردند. به گفته آنها، به‌کارگیری چنین روش‌هایی می‌تواند در آینده خطای بازسازی را به‌طور چشمگیری کمتر کند.

هری کومار، بنیان‌گذار و مدیر ارشد بازرگانی Moth Quantum معتقد است که کاربردهای مهم محاسبات کوانتومی، به‌ویژه کاربردهای مرتبط با هوش مصنوعی، برای تحقق انتظارات به پیشرفت‌هایی مانند Tessa نیاز دارند.

نرگس چالوک

نرگس چالوک

به‌عنوان مترجم وب‌سایت خبری در حوزه فناوری فعالیت می‌کنم و تجربه‌ی خوبی در زمینه‌ی سئو، تولید و انتشار محتوا، نگارش و ویرایش مقالات و گزارش‌های خبری دارم.علاوه بر این، مدرس زبان انگلیسی هستم و سال‌هاست به کودکان و بزرگسالان در محیط‌های حضوری و آنلاین آموزش می‌دهم. همیشه تلاش کرده‌ام شیوه‌های آموزشی متنوع و مؤثر را به‌کار بگیرم و با صبر و انگیزه، یادگیری زبان را برای زبان‌آموزان آسان‌تر کنم.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *