Nvidia a publié le code Ising Decoder ColorCode 1 Fast et les outils de formation. Le module IA prétraite les signaux d'erreur puis les transmet au décodeur Chromobius, indique la société.
En simulation, cette combinaison a réduit la fréquence des erreurs logiques de 347,7 fois et a accéléré le traitement de 7,3 fois par rapport à un Chromobius distinct. Le résultat a été obtenu sur un modèle de mémoire quantique avec une distance de code de 31 et un taux d'erreur physique de 0,3 %. Le test a été réalisé sur des données synthétiques, et non sur un véritable processeur quantique.
Ising Decoder ColorCode 1 Fast est un réseau neuronal convolutif 3D à 17 couches avec environ 2,9 millions de paramètres. Sa zone de couverture est de 13 et 13 × 13 × 19 matrices d'entrée ont été utilisées pour la formation.
Le modèle ne fonctionne pas comme un décodeur indépendant, mais comme une étape de traitement préliminaire. Il analyse les signaux d'erreur locaux, réduit leur nombre et transmet la carte clairsemée restante au décodeur Chromobius classique.
Des codes couleurs rapprochés du travail en temps réel
La correction d'erreurs quantiques permet de combiner de nombreux qubits physiques instables en bits logiques plus fiables. Le décodeur analyse les résultats des mesures de contrôle et détermine quelles pannes doivent être corrigées.
Les codes de surface sont souvent utilisés pour stocker des informations quantiques : ils ont un seuil d’erreur relativement élevé et sont plus faciles à décoder.
Les codes couleurs rendent certaines opérations logiques plus efficaces, mais leurs signaux d'erreur sont plus difficiles à gérer. Selon Nvidia, le manque de décodeurs rapides et précis a longtemps empêché l'utilisation de tels codes en temps réel.
Ising Decoder ColorCode 1 Fast devrait réduire la charge sur l'algorithme principal. Les auteurs de l'étude ont déclaré que l'avantage de la liaison avec Chromobius augmente à mesure que la distance du code augmente.
Parallèlement, la comparaison des vitesses a été réalisée sur différents types d’équipements. Le réseau neuronal fonctionnait sur un Nvidia DGX GB300 et Chromobius sur un processeur Grace Neoverse-V2. Par conséquent, l’accélération de 7,3x reflète non seulement les différences entre les algorithmes, mais également l’utilisation GPU au lieu de Processeur.
Nvidia a mis le framework et les recettes de formation à disposition dans un référentiel ouvert sous la licence Apache 2.0.
La société a présenté la famille de modèles ouverts Ising en avril. Il comprend des outils de calibrage des processeurs quantiques et de correction d’erreurs.
Rappelons qu'en juin, IBM a présenté une feuille de route mise à jour, selon laquelle la société créera le premier ordinateur quantique tolérant aux pannes à grande échelle au monde d'ici 2029.
Voir l’article original en russe