جدیدترین تراشه محاسباتی کوانتومی IBM با نام “Eagle” (عقاب) در 24 آبان 1400 (15 نوامبر 2021) معرفی شد. این تراشه 127 كیوبیتی (بیت كوانتومی)، اولین تراشه ای است که دارای 3 رقم كیوبیت می‌ باشد.

اما این دستاورد تنها یک مرحله از دستوركاری است که با میلیاردها دلار سرمایه گذاری در صنعت تقویت شده است و برنامه های دراز مدتی برای ارتقا آن وجود دارد. ادامه مطلب با وطن وب هاست، همراه باشید.

تراشه کوانتومی Eagle “عقاب” گامی به سوی اهداف IBM برای ایجاد یک پردازنده کوانتومی 433 کیوبیتی در سال آینده و پس از آن تا سال 2023 یک پردازنده کوانتومی با 1121 کیوبیت به نام Condor است.

چنین اهدافی بازتاب اهدافی است که برای چندین دهه ی آینده، صنعت الکترونیک را برای کوچک سازی تراشه های سیلیکونی آماده می كنند.

جری چاو، رئیس گروه آزمایشی محاسبات کوانتومی IBM در مرکز تحقیقات توماس جی واتسون می‌گوید: “شرکت‌های دیگر از جمله غول‌های فناوری همچون Google و Honeywell و تعداد زیادی از شرکت‌های نوپا با بودجه خوب برنامه‌های بلندپروازانه مشابهی دارند.”

در نهایت، آنها قصد دارند رایانه‌های کوانتومی را قادر به انجام وظایف خاصی کنند که حتی بزرگترین ابر رایانه‌هایی کلاسیک قادر به انجام آن نخواهند بود.

جان پرسکیل نظریه‌پرداز اطلاعات کوانتومی در موسسه فناوری کالیفرنیا در پاسادنا می‌گوید: “داشتن اهداف بلندپروازانه خوب است، اما آنچه مهم است این است که آیا آنها می‌توانند برنامه‌های خود را اجرا کنند یا خیر.”

برتری کوانتومی

با بهره‌برداری از قوانین فیزیک کوانتومی برای پردازش اطلاعات باینری، مدارهای محاسباتی کوانتومی مانند تراشه Eagle می‌توانند محاسباتی را انجام دهند که به راحتی نمی‌توان آن‌ها را در ابررایانه‌های کلاسیک شبیه‌سازی کرد.

گوگل با استفاده از کیوبیت‌های ساخته شده مانند IBM با حلقه‌های ابررسانا، گزارش مشهوری در سال 2019 داشت که به چنین «برتری کوانتومی» دست یافته است.

تیمی در دانشگاه علم و فناوری چین (USTC) سال گذشته گزارش دادند که با استفاده از کیوبیت‌های نوری به مزیت کوانتومی دست یافته‌اند. امسال نیز اعلام کردند همین کار را با کیوبیت های ابررسانا انجام دادند.

اما محققان اذعان دارند وظایفی که به این ماشین ها داده شده است مصنوعی بوده است.

چائو یانگ لو، فیزیکدانی که پروژه را در USTC رهبری می کند، می گوید: “وضعیت فعلی این است که هنوز هیچ آزمایشی مزیت کوانتومی را برای کارهای عملی نشان نداده است. حل مسائل دنیای واقعی مانند شبیه ‌سازی مولکول ‌های دارویی یا مواد شیمی به کامپیوترهای کوانتومی قدرتمند نیاز دارد تا به شدت بزرگ‌تر و قدرتمندتر شوند.”

اندرو دزوراک در دانشگاه نیو ساوث ولز سیدنی، فکر می کند با تراشه های 1000 کیوبیتی مانند Condor، این فناوری ممکن است شروع به اثبات ارزش خود کند.

او می‌گوید: “امید است که برخی از مشکلات تجاری ارزشمند را بتوان با استفاده از رایانه‌های کوانتومی كه در محدوده هزار تا میلیون کیوبیت هستند، حل کرد. اما برای انجام تغییر پارادایم، به میلیون ها کیوبیت فیزیکی نیاز خواهیم داشت.”

چالش های تراشه

تراشه Eagle تقریباً دو برابر بیشتر از تراشه کوانتومی پرچمدار قبلی IBM، با نام Hummingbird 65 کیوبیتی، کیوبیت دارد.

چاو می گوید ما باید چندین مشکل مهندسی را حل می كردیم. برای فعال کردن هر کیوبیت برای تعامل با چندین کیوبیت دیگر، محققان ترتیبی را انتخاب کردند که در آن هر کدام به دو یا سه همسایه در یک شبکه شش ضلعی متصل می‌شوند و برای اینکه امکان کنترل انفرادی هر کیوبیت بدون درهم تنیدگی غیرقابل کنترل سیم‌ها فراهم شود، سیم‌ها و سایر اجزاء را در چندین لایه روی هم قرار دادند.

چاو می گوید که برای حل این مشکل «packaging»، محققان از تجربه معماری های سه بعدی در تراشه های معمولی استفاده کردند. او می‌افزاید یافتن موادی که در دماهای بسیار پایین برای عملکرد کیوبیت‌های ابررسانا به خوبی عمل کنند، بسیار مهم است.

اما قدرت پردازش یک مدار کوانتومی فقط به تعداد کیوبیت آن نیست. همچنین بستگی به سرعت عملکرد آن و مقاومت در برابر خطاهایی دارد که ممکن است مثلاً به دلیل نوسانات تصادفی محاسبات را به هم بزند.

چاو می‌گوید همچنان زمینه های بسیاری برای بهبود کیوبیت‌های ابررسانا وجود دارد.

مقابله با خطاها دشوار است زیرا قوانین فیزیک، کامپیوترهای کوانتومی را از استفاده از روش‌های تصحیح خطای ماشین‌های کلاسیک که معمولاً مستلزم نگهداری چندین نسخه از هر بیت هستند، باز می‌دارد.

در عوض، محققان قصد دارند «کیوبیت‌های منطقی» را بسازند که در آن تقریباً همه خطاها را از ترتیبات پیچیده بسیاری از کیوبیت‌های فیزیکی می توان شناسایی و اصلاح کرد.

ژوراک می‌گوید: “رویه‌هایی که تاکنون پیشنهاد شده‌اند معمولاً مستلزم این هستند که هر کیوبیت منطقی حاوی حدود 1000 کیوبیت فیزیکی باشد.”

تصحیح خطا

محققان امیدوارند در آینده بتوان از کیوبیت‌هایی با نرخ خطای ذاتی کمتر در ساخت رایانه‌های کوانتومی بهره جست. این یکی از مزیت‌های بالقوه استفاده از یون‌های به دام افتاده به عنوان کیوبیت است. همانطور که توسط شرکت IonQ انجام می‌شود.

تحقیقاتی که در دانشگاه مریلند انجام شد، ماه گذشته بیش از 600 میلیون دلار جمع‌آوری کرد. این شركت به عنوان نخستین شركت كوانتومی كه وارد تجارت عمومی در بورس اوراق بهادار نیویورک شده است، تقریباً 2 میلیارد دلار ارزش اش برآورد شده است.

Rigetti Computing، یک استارت‌آپ در برکلی کالیفرنیا، نیز امسال با ارزش 1.5 میلیارد دلار وارد بورس شد.

کریستوفر مونرو، یکی از بنیانگذاران IonQ، فیزیکدان دانشگاه مریلند و همکارانش ماه گذشته یک کیوبیت منطقی مقاوم در برابر خطا را گزارش کردند که فقط از 13 کیوبیت یونی به دام افتاده ساخته شده است.

اگرچه دزوراک می گوید که درجه تصحیح خطا هنوز فاصله زیادی با آنچه برای یک کامپیوتر کوانتومی مفید نیاز است دارد تا به نرخ خطای منطقی بسیار کمتر از یک در میلیون برسد.

در همین حال، تیم Google با استفاده از 21 کیوبیت ابررسانا به نرخ خطای منطقی مشابهی دست یافته است. دزوراک می‌گوید باز هم «نتیجه مهم» است، اما هنوز با آنچه برای رفع مشکل تصحیح خطا لازم است فاصله داریم.

چاو در مورد تاکید بیش از حد بر دستیابی به کیوبیت های منطقی هشدار می دهد. او می‌گوید: «ما موقعیتی نخواهیم داشت که سوئیچ را بچرخانیم و بگوییم «تصحیح خطا روشن است». «بهبود عملکرد کیوبیت داستان مهم‌تری از ساخت کیوبیت‌های منطقی و تقسیم همه چیز بر هزار است.»

تقویت سیگنال

IBM و دیگران در تلاشند تا درک دقیقی از نویزهای مرتبط با خطا در مدار به دست آورند.

چاو می‌گوید فراتر از تراشه های هم سطح Condor، طرح‌های مدار احتمالاً ماژولار می‌شوند و چندین تراشه از طریق «اتصالات کوانتومی» به هم متصل می‌شوند.

هنوز مشخص نیست که چگونه می توان این کار را به بهترین نحو انجام داد. شاید با سیگنال های فرکانس مایکروویو که در حال حاضر برای ورودی و خروجی داده به کیوبیت های ابررسانا استفاده می شود یا شاید با تبدیل اطلاعات کوانتومی به سیگنال های مبتنی بر نور.

چاو می گوید: “این یک حوزه تحقیقاتی کاملاً جدید است.”

بسیاری از محققان فکر می کنند اولین کاربردهای واقعی کامپیوترهای کوانتومی احتمالاً در زمینه های نسبتاً تخصصی مانند شبیه سازی مولکول ها و مواد، یادگیری ماشین و مشکلات بهینه سازی در صنایع است.

پرسکیل می گوید: برای رسیدن به آن مرحله، “من انتظار دارم که به جای یک جهش ناگهانی به جلو، شاهد بهبود تدریجی عملکرد باشیم.” «احتمالاً پیش از اجرای برنامه‌های مفید، وقفه‌ای طولانی خواهد بود.»

منابع:

1. Arute, F. et al. Nature 574, 505–510 (2019).

2. Zhong, H.-S. et al. Science 370, 1460–1463 (2020).

3. Wu, Y. et al. Phys. Rev. Lett. 127, 180501 (2021).

4. Egan, L. et al. Nature 598, 281–286 (2021).

5. Chen, Z. et al. Nature 595, 383–387 (2021).

دیدگاهتان را بنویسید

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