Корпорация Nvidia сделала важный шаг в развитии квантовых вычислений, опубликовав код и инструменты для обучения специализированного ИИ-модуля Ising Decoder ColorCode 1 Fast. Эта нейросеть предназначена для предварительной обработки сигналов об ошибках в квантовых системах, после чего передает уточненные данные классическому декодеру Chromobius.
Результаты симуляции впечатляют: связка двух алгоритмов снизила частоту логических ошибок в 347,7 раза и ускорила общую обработку в 7,3 раза по сравнению с работой одного Chromobius. Тестирование проводилось на модели квантовой памяти с кодовым расстоянием 31 и физической частотой ошибок 0,3%. Важно подчеркнуть: эксперимент выполнялся на синтетических данных, а не на реальном квантовом процессоре, что является стандартной практикой на данном этапе исследований.
Архитектура Ising Decoder ColorCode 1 Fast представляет собой 17-слойную трехмерную сверточную нейросеть с примерно 2,9 млн параметров. Поле охвата сети составляет 13, а для обучения использовались входные массивы размером 13 × 13 × 19. Модель не является самостоятельным декодером — она действует как фильтр, анализируя локальные сигналы, сокращая их количество и передавая Chromobius разреженную карту ошибок для финального решения.
Цветовые коды: от теории к практике
Квантовая коррекция ошибок — ключевая технология для создания стабильных логических кубитов из нестабильных физических. Декодер анализирует результаты контрольных измерений и определяет, какие сбои необходимо исправить. Традиционно для хранения квантовой информации используются поверхностные коды благодаря их высокому порогу ошибок и относительной простоте декодирования.
Однако цветовые коды, позволяющие эффективнее выполнять некоторые логические операции, долгое время оставались в тени из-за сложности обработки их сигналов. Отсутствие быстрых и точных декодеров было главным барьером для их применения в реальном времени. Разработка Nvidia призвана решить эту проблему.
Примечательно, что сравнение скорости проводилось на разном оборудовании: нейросеть запускалась на сервере Nvidia DGX GB300, а Chromobius — на процессоре Grace Neoverse-V2. Таким образом, ускорение в 7,3 раза отражает не только разницу в алгоритмах, но и преимущество использования GPU над CPU. Тем не менее, авторы исследования отмечают, что преимущество связки с Chromobius растет по мере увеличения кодового расстояния.
Фреймворк и рецепты обучения опубликованы в открытом репозитории под лицензией Apache 2.0. Напомню, что это продолжение стратегии Nvidia: в апреле компания уже представила семейство открытых моделей Ising, включающее инструменты для калибровки квантовых процессоров.
Мнение аналитика: Открытие кода этого пре-декодера — стратегически верный ход. Nvidia не просто демонстрирует технологию, а предоставляет сообществу инструмент для ускорения исследований. Однако ключевым вызовом остается интеграция таких решений в реальные, а не симулированные квантовые системы. Если результаты подтвердятся на практике, это может кардинально ускорить появление отказоустойчивых квантовых компьютеров, которые, напомню, IBM обещает создать уже к 2029 году.