روش Tessa رکورد ذخیره و بازیابی دادههای کوانتومی را شکست
شرکت بریتانیایی Moth Quantum میگوید با روش Tessa توانسته ۱۵۶۸ مقدار عددی را روی پردازنده کوانتومی IBM ذخیره کند و از دادههای بازیابیشده تصویر بسازد. البته دقت بازسازی برای دادههای پیچیدهتر پایینتر بوده است.
تهیهشده با کمک هوش مصنوعی از منابع ذکرشده

فهرست مطالب۵ بخش
شرکت بریتانیایی Moth Quantum اعلام کرده است که روش Tessa رکورد تازهای در ذخیرهسازی و بازیابی اطلاعات روی کامپیوترهای کوانتومی ثبت کرده است. در این آزمایش، ۱۵۶۸ مقدار عددی روی پردازنده ۱۲۰ کیوبیتی Phoenix شرکت IBM ذخیره شد و پژوهشگران با بازیابی دادهها، تصویری را بازسازی کردند. این آزمایش به یکی از چالشهای رایانش کوانتومی، یعنی انتقال دادههای معمولی به پردازنده کوانتومی و بازیابی آنها با کمترین افت دقت، میپردازد.
#نکات کلیدی
- بهگفته Moth Quantum، در آزمایش Tessa تعداد ۱۵۶۸ مقدار عددی روی پردازنده ۱۲۰ کیوبیتی Phoenix ذخیره شد و دادههای بازیابیشده برای بازسازی تصویر به کار رفت.
- این روش برای توزیع دادهها از ارتباط موجود میان کیوبیتهای نزدیک استفاده میکند.
- شباهت آماری تصاویر بازسازیشده، بسته به پیچیدگی آنها، بین ۰٫۶۹ و ۰٫۹۶ گزارش شده است.
- Tessa علاوه بر تصاویر، با نتهای موسیقی، دادههای صوتی و توالیهای زیستی آزمایش شده است.
- نتایج منتشرشده برای نتیجهگیری درباره کاربردهای پزشکی کافی نیستند.
#Tessa چگونه دادهها را ذخیره میکند؟
هر کیوبیت در پردازندههای کوانتومی فقط به تعداد محدودی از کیوبیتهای دیگر متصل است. Tessa از همین ارتباطهای نزدیک استفاده میکند تا نحوه توزیع اطلاعات میان کیوبیتها را تعیین کند.
این روش برای رساندن اطلاعات به بخشهای مختلف پردازنده، نیاز به جابهجایی مداوم کیوبیتها یا استفاده از کیوبیتهای کمکی بیشتر را کاهش میدهد و از ساختار ارتباطی خود تراشه برای ذخیره داده بهره میگیرد.
بر اساس گزارش مربوط به آزمایش Tessa روی پردازندههای IBM، پژوهشهای قبلی ذخیره و بازیابی ۱۲۸ مقدار عددی با ۱۲ کیوبیت را نشان داده بودند. Moth Quantum میگوید در آزمایش جدید این تعداد را به ۱۵۶۸ مقدار عددی رسانده است.
دنیل بولترینی، پژوهشگر Moth Quantum و سازنده Tessa، میگوید هر کامپیوتر کوانتومی پیش از انجام کار مفید باید داده دریافت کند و این مرحله در حوزههایی مانند یادگیری ماشینی کوانتومی به گلوگاه تبدیل شده است.
#بازسازی تصاویر با چه دقتی انجام شد؟
پژوهشگران اطلاعات چند تصویر را در پردازنده ذخیره کردند و سپس کوشیدند تصاویر را از روی دادههای بازیابیشده بازسازی کنند. میزان شباهت نسخه بازسازیشده به تصویر اصلی در همه آزمایشها یکسان نبود.
شباهت آماری بزرگترین تصویر رنگی به نسخه اصلی ۰٫۶۹ گزارش شد، درحالیکه این شاخص برای تصاویر سادهتر به ۰٫۹۵ تا ۰٫۹۶ رسید. بر پایه این نتایج، بازسازی تصاویر پیچیدهتر و پرحجمتر با افت دقت بیشتری همراه بوده است.
پژوهشگران برای سنجش خطای بازیابی، دو پردازنده کوانتومی IBM به نامهای Phoenix و Fez را نیز مقایسه کردند. میانگین خطای عددی در Phoenix برابر با ۰٫۱۳۰ و در Fez برابر با ۰٫۱۳۱ بود.
#آزمایش روی صدا و دادههای زیستی
پژوهشگران Tessa را روی چند نوع داده دیگر نیز آزمایش کردند:
- نتهای موسیقی
- دادههای صوتی
- توالیهای DNA
- توالیهای پروتئینی
در آزمایش توالیهای پروتئینی، نرخ بازیابی صحیح برای پروتئین p53 برابر با ۷۱٫۵ درصد بود. این نرخ برای پروتئین خارپشت ۷۶٫۲ درصد و برای پروتئین میتوکندریایی MT-CO3 روی سختافزار Phoenix برابر با ۹۲٫۳ درصد گزارش شد.
این ارقام به معنای آمادهبودن Tessa برای کاربردهای پزشکی نیستند. در دادههای ژنتیکی و پروتئینی، بازیابی نادرست حتی یک واحد از توالی ممکن است اهمیت زیستی داشته باشد؛ بنابراین، نرخ بازیابی بالا در برخی نمونهها دقت کافی برای کاربردهای حساس پزشکی را اثبات نمیکند.
#چرا این دستاورد اهمیت دارد؟
کامپیوتر کوانتومی پیش از پردازش باید دادههای معمولی را دریافت کند و پس از محاسبه نیز دادهها باید با دقت کافی بازیابی شوند. افت قابلتوجه دقت در این فرایند میتواند استفاده عملی از پردازنده را محدود کند.
Tessa راهی برای ذخیره مجموعه بزرگتری از مقادیر عددی با استفاده از ارتباطهای موجود میان کیوبیتها ارائه میدهد. بااینحال، اختلاف دقت میان دادههای ساده و پیچیده نشان میدهد که کیفیت بازیابی هنوز به نوع و حجم اطلاعات وابسته است.
مطالب مرتبط
برای ادامه مطالعه
این یادداشتها بر اساس موضوع مشترک، همپوشانی برچسبها و تازگی انتشار انتخاب میشوند.

کیت چهارگرهی DGX Spark؛ اجرای محلی مدلهای ۷۰۰ میلیاردی
انویدیا با اتصال چهار DGX Spark، خوشهای رومیزی برای اجرای مدلهای تا ۷۰۰ میلیارد پارامتر ساخته است. این سیستم به پژوهشگران اجازه میدهد آزمایشها را محلی انجام دهند و کمتر در صف خوشههای اشتراکی بمانند.


دیدگاهها
اولین نفری باش که دیدگاه میذاره
دیدگاهها پس از بررسی منتشر میشوند. ایمیل شما نمایش داده نمیشود.