به گزارش ساوت چاینا مورنینگ پست، اکنون یک سیستم کوانتومی در مقیاس کوچک میتواند با هزینهای کمتر از ۱ درصد این مبلغ، عملکردی بهتر از چنین مراکزی ارائه دهد.
این یافتهها پرسشهایی درباره اقتصاد بلندمدت رقابت جهانی زیرساختهای هوش مصنوعی ایجاد میکند. اگر سیستمهای کوانتومی فشرده بتوانند در برخی وظایف عملکرد رقابتی ارائه دهند، آیا ممکن است مراکز داده عظیم امروزی که هزینه آنها به تریلیونها دلار میرسد، بهزودی منسوخ شوند؟
این سیستم پیشرفته که بر پایه ۹ اسپین کوانتومی برهمکنشگر ساخته شده است، در وظایف پیشبینی چندمرحلهای آبوهوا عملکردی برابر یا بهتر از یک شبکه مخزنی کلاسیک با ۱۰ هزار گره (node) نشان داد.
این نتایج در ۲۵ مارس توسط تیمی مشترک از دانشگاه علوم و فناوری چین و دانشگاه چینی هنگکنگ گزارش شد.
در ایالات متحده، سرمایهگذاری دولت و بخش خصوصی در پیشبینی آبوهوای مبتنی بر هوش مصنوعی به صدها میلیون دلار رسیده است. اداره ملی اقیانوسی و جوی آمریکا (NOAA) نزدیک به ۱۰۰ میلیون دلار برای ارتقای سیستم ابررایانهای Rhea سرمایهگذاری کرده است، در حالی که قانون TAME حدود ۱۸۸ میلیون دلار بودجه طی پنج سال برای پژوهشهای آبوهوایی مبتنی بر هوش مصنوعی اختصاص داده است.
شرکتهای خصوصی مانند Tomorrow.io بیش از ۱۷۵ میلیون دلار سرمایه جذب کردهاند و غولهای فناوری مانند گوگل، مایکروسافت و انویدیا نیز همچنان سرمایهگذاری گستردهای در مدلهای پیچیده آبوهوا مبتنی بر خوشههای عظیم محاسباتی انجام میدهند.
در مقابل، سیستم ۹ کیوبیتی (qubit) مبتنی بر رزونانس مغناطیسی هستهای (NMR) که در این پژوهش استفاده شده، بسیار کوچکتر و بالقوه بسیار کمهزینهتر است. برای مقایسه، یک پردازنده کوانتومی ۹ کیوبیتی توسعهیافته توسط شرکت Rigetti Computing حدود ۹۰۰ هزار دلار قیمتگذاری شده است که نشاندهنده مقیاس بسیار سبک این آزمایش است.
اگرچه این نتایج هنوز در مراحل ابتدایی هستند، اما پرسشهای گستردهای درباره اقتصاد بلندمدت مراکز داده عظیم هوش مصنوعی مطرح میکنند، از جمله پروژههای جاهطلبانهای مانند زیرساخت محاسباتیStargate ، اگر سیستمهای کوانتومی کوچک بتوانند در برخی وظایف عملکردی رقابتی ارائه دهند.
برای نخستین بار آزمایشها نشان دادهاند که در مواجهه با وظایف پیشبینی سریهای زمانی واقعی، عملکرد یادگیری ماشین کوانتومی میتواند از مدلهای شبکه عصبی کلاسیک فراتر رود.
اگرچه رایانش کوانتومی پیشتر در مسائل بسیار تخصصی مزیتهایی نشان داده بود، اما تبدیل این مزیت به کاربردهای واقعی همواره یک چالش جهانی بوده است.
نمایشهای قبلی شرکت گوگل و رایانه کوانتومی Jiuzhang چین، «برتری کوانتومی» را در وظایفی مانند نمونهگیری مدار تصادفی و نمونهگیری بوزون نشان داده بودند، اما این مسائل کاربرد عملی مستقیمی نداشتند.
در این پژوهش، بهجای استفاده از مدارهای عمیق و شکننده کوانتومی، تیم چینی از چارچوب «محاسبات مخزنی» (reservoir computing) استفاده کرد و دادههای سری زمانی را در شبکهای از اسپینهای کوانتومی برهمکنشگر رمزگذاری کرد. این سیستم از دینامیک طبیعی درهمتنیدگی کوانتومی برای پردازش اطلاعات استفاده میکند و نیاز به طراحی مدارهای پیچیده را حذف میکند.
نکته مهم این است که اثراتی که معمولاً «نویز» محسوب میشوند، در این سیستم به منابع محاسباتی تبدیل شدهاند و نوعی حافظه کوتاهمدت ضروری برای پیشبینی سریهای زمانی ایجاد کردهاند.
اگر یک شبکه عصبی کلاسیک را مانند کتابخانهای عظیم در نظر بگیریم که هر کتاب آن با دقت توسط کتابدار طبقهبندی شده است، مخزن کوانتومی بیشتر شبیه فنجان قهوهای همزده است که دینامیک پیچیده و گردابی آن بهطور طبیعی الگوها را بدون نیاز به دخالت کتابدار رمزگذاری میکند.
پژوهشگران همچنین اشاره کردند که رویکرد محاسبات مخزنی، با حذف نیاز به مدارهای عمیق کوانتومی، سربار محاسباتی را کاهش داده و پیچیدگی سختافزاری و مصرف انرژی را پایین آورده است.
طبق گفته شرکت SpinQ Technology، این موضوع تا حدی به این دلیل است که روش رزونانس مغناطیسی هستهای به تجهیزات گرانقیمت سرمایش فوقالعاده مانند یخچالهای رقیقکننده (dilution refrigerators) نیاز ندارد.
در آزمونهای استانداردNARMA ، یک معیار برای پیشبینی سریهای زمانی مدل کوانتومی خطای پیشبینی را یک تا دو مرتبه بزرگی کاهش داد. این نتایج پایه عملکرد قوی آن در پیشبینیهای واقعی را تشکیل میدهد.
پژوهشگران این کار را گامی اولیه اما ملموس به سمت «مزیت عملی کوانتومی» توصیف میکنند؛ جایی که سیستمهای کوانتومی در وظایف واقعی از نمونههای کلاسیک بهتر عمل میکنند.
این دستاورد شباهتهایی با تحول اخیر اقتصاد مدلهای زبانی بزرگ دارد، جایی که سیستمهای سبکتر مانند دیپسیک نشان دادند معماریهای کوچکتر و کارآمدتر میتوانند با خوشههای محاسباتی عظیم رقابت کنند.
آکادمی علوم چین اعلام کرد این پژوهش «یک چارچوب آزمایشی قابل اجرا برای توسعه هوش مصنوعی کوانتومی کممصرف و با بُعد بالا برای کاربردهای واقعی» ارائه میدهد.
رقابت رایانش کوانتومی دیگر فقط درباره تعداد کیوبیتها نیست، بلکه درباره این است که ماشینهای ناقص امروز چه مسائل واقعی را میتوانند حل کنند. با این حال، این سیستم فعلاً از نظر مقیاس محدود باقی مانده است.
منبع: scmp
