NVIDIA продолжает удивлять мир своими достижениями в области квантовых технологий. На этот раз компания представила результаты работы своего Ising декодера, который демонстрирует впечатляющие показатели: снижение логической ошибки в треугольных квантовых цветных кодах на 347,7 раз и сокращение времени декодирования в 7,33 раза. Эти результаты были получены в ходе симуляций и тестирования декодера, а не на физическом квантовом процессоре.
Квантовая коррекция ошибок — это ключевая задача, которая позволяет объединять множество подверженных ошибкам физических кубитов в логические кубиты, способные сохранять информацию и обеспечивать надежные операции. На сегодняшний день поверхностные коды являются наиболее распространенным подходом благодаря своей относительной простоте декодирования. Однако некоторые логические операции требуют сложных процедур, таких как хирургия решеток и дистилляция магических состояний. Цветные коды предлагают альтернативный подход, позволяя реализовывать все гейты Клифорда и упрощая некоторые операции, но их декодирование может быть более сложным.
В новом исследовании NVIDIA используется трехмерная свёрточная нейронная сеть, которая предварительно обрабатывает данные перед передачей их в Chromobius. Это позволяет значительно уменьшить количество локальных ошибок, оставляя более простую задачу для глобального декодера. При кодовом расстоянии 31 и физической ошибке 0,3% система продемонстрировала заявленное снижение логической ошибки и улучшение времени обработки.
Тесты проводились на графическом процессоре NVIDIA GB300 с использованием TensorRT и FP8 для нейронных моделей, в то время как Chromobius работал на процессоре Grace Neoverse-V2. Результаты показывают, что использование гибридной схемы GPU-CPU может значительно ускорить процесс декодирования, хотя скорость будет варьироваться в зависимости от аппаратного обеспечения и конфигурации декодера.
NVIDIA также открыла доступ к ресурсам Ising декодера, включая веса моделей и инструменты для синтетических данных, что позволит разработчикам адаптировать декодер под конкретные квантовые процессоры и модели шума. Это открывает новые возможности для повышения конкурентоспособности цветных кодов в области устойчивых к ошибкам вычислений, хотя поверхностные коды по-прежнему требуют меньшего количества физических кубитов для чистых квантовых вычислений.