根據麻省理工學院《技術評論》(MIT Technology Review)中公布的《太空法案協(xié)議》,谷歌公司希望美國宇航局(NASA)能夠幫助其在數月之內證明,量子計算機完全有能力超越原有經典計算機系統(tǒng)。
截至目前,量子霸權(Quantum supremacy)仍然只停留在理論層面——即一臺足夠強大的量子計算機鈄有能力完成超級超級計算機所無法完成的某些數學計算。證明這一論斷是個大問題,而一旦將其解決,隨之解鎖的將是一個龐大的市場——包括破解以往根本不可能破解的密碼、提升人工智能水平、改善天氣預報準確率或者模擬包含無數細節(jié)的精密分子交互及金融體系。
此項協(xié)議于今年7月正式簽署,谷歌方面要求NASA“分析谷歌量子處理器上所運行的量子電路成果,并提供其與經典模擬方案間的比較結論,從而支持谷歌驗證自身硬件并建立起量子霸權基準。”
谷歌公司向麻省理工學院《技術評論》證實稱,此項協(xié)議涵蓋其最新公布的72量子位(qubit)量子芯片Bristlecone。與以1或0二進制位進行信息存儲的經典計算機不同,量子計算機會使用存在于1和0之間狀態(tài)未定的量子位。對于某些問題,使用量子位應該能夠極大提高計算效率,從而快速交付經典計算機可能需要很長時間才能處理完成的結果。
谷歌公司量子計算項目負責人、物理學家John Martinis認為Bristlecone將成為實現量子霸權的最大希望,但也有人對此持反對意見。今年5月,阿里巴巴公司數據基礎設施與搜索技術部門的研究人員發(fā)表了一篇論文,其中提到Bristlecone的性能表現完全可以由經典計算機實現,且目前的量子芯片仍然存在錯誤率過高問題。
南加州大學量子信息科學與技術中心主任Daniel Lidar也對此表示懷疑。他在接受麻省理工學院《技術評論》采訪時指出,“就目前來看,似乎還需要一些額外的錯誤抑制措施才能使其真正生效。此外,經典模擬方法在過去幾年當中已經多次提高了標準,而這種趨勢很可能會持續(xù)下去。盡管如此,我也不排除利用谷歌的Bristlecone系統(tǒng)進行量子霸權演示。”
谷歌公司此前也曾與NASA進行秘密合作,旨在“展示處理器的可行性與發(fā)展?jié)摿Α?rdquo;雖然谷歌公司不會向NASA方面支付任何費用,但據稱NASA已經為此項目投入了68萬美元。
新的合作關系也將延續(xù)上述方式。由于Bristlecone處理器需要保持接近零度的工作溫度以維持電路超導,因此無法從谷歌實驗室中遷移出去。相反,來自美國宇航局硅谷艾姆斯研究中心的量子人工智能實驗室(簡稱QuAIL)的研究人員將通過谷歌的云API服務與Bristlecone進行在線對接。谷歌還將共享其用于在經典計算機上模擬量子電路的軟件,以便NASA能夠對其進行開發(fā)與改進。谷歌方面還計劃在明年年初將其Bristlecone量子處理器提升至可與經典超級計算機相媲美的性能水平,甚至將目標直接定為下一任超算冠軍。
合作雙方將共同研究如何將“各種各樣的優(yōu)化及采樣問題”映射至Bristlecone的門模型量子計算系統(tǒng)之上。明年年初,谷歌與NASA將就模擬問題及初始目標達成一致,屆時NASA將在其位于艾姆斯研究中心的Pleidades千萬億次超級計算機上編寫運行這些模擬所需要的軟件。Pleiades是美國宇航局最強大的超級計算機,目前在全球超算榜上排名第25位。
到明年七月左右,也就是本份協(xié)議簽署后的12個月,NASA將“把量子電路在經典計算機上的模擬結果與谷歌硬件結果進行比較。”
如果項目進展不太順利,谷歌公司的這份協(xié)議亦設定有五年期限,其中要求“NASA提供進一步映射方案、經過改進的電路模擬技術以及更有效的匯編與電路模擬結果。”而谷歌也將至少允許QuAIL方面訪問其量子處理器及軟件至2023年。
美國宇航局表示無法立即回復評論請求。
這已經不是谷歌方面首次與NASA攜手進軍量子計算領域。早在2013年,雙方就北回歸線以共同合作在艾姆斯研究中心安裝量子計算企業(yè)D-Wave公司提供的量子退火機。該機器隨后于2017年進行了升級。
至于最終目標,谷歌方面希望能夠更為廣泛地共享其用于模擬、優(yōu)化及機器學習的量子計算軟件。雙方的協(xié)議中提到,“谷歌公司計劃發(fā)布其軟件開發(fā)套件(簡稱SDK),從而以開源方式使用量子處理器。”
這很可能是指用于創(chuàng)建量子電路的開源軟件Cirq,此軟件于今年夏季由谷歌公司正式公布。谷歌方面當時指出,其計劃立足云端提供Bristlecone處理器,而Cirq則充當其使用界面。D-Wave、IBM以及Rigetti等企業(yè)目前也已經開始為研究人員提供量子云服務。
好文章,需要你的鼓勵
浙江大學團隊提出動態(tài)專家搜索方法,讓AI能根據不同問題靈活調整內部專家配置。該方法在數學、編程等任務上顯著提升推理準確率,且不增加計算成本。研究發(fā)現不同類型問題偏愛不同專家配置,為AI推理優(yōu)化開辟新路徑。
清華大學研究團隊提出SIRI方法,通過"壓縮-擴張"交替訓練策略,成功解決了大型推理模型"話多且準確率低"的問題。實驗顯示,該方法在數學競賽題上將模型準確率提升43.2%的同時,輸出長度減少46.9%,真正實現了效率與性能的雙重優(yōu)化,為AI模型訓練提供了新思路。
南洋理工大學與騰訊聯(lián)合研究團隊開發(fā)出Rolling Forcing技術,實現AI視頻實時流式生成的重大突破。該技術通過滾動窗口聯(lián)合去噪、注意力錨點機制和高效訓練算法三項創(chuàng)新,解決了長視頻生成中的錯誤累積問題,可在單GPU上以16fps速度生成多分鐘高質量視頻,延遲僅0.76秒,質量漂移指標從傳統(tǒng)方法的1.66降至0.01,為交互式媒體和內容創(chuàng)作開辟新可能。
華中科技大學研究團隊發(fā)現,通過讓AI模型學習解決幾何問題,能夠顯著提升其空間理解能力。他們構建了包含約30000個幾何題目的Euclid30K數據集,使用強化學習方法訓練多個AI模型。實驗結果顯示,幾何訓練在四個空間智能測試基準上都帶來顯著提升,其中最佳模型達到49.6%準確率,超越此前最好成績。這項研究揭示了基礎幾何知識對培養(yǎng)AI空間智能的重要價值。