Nakamit ng mga mananaliksik mula sa Australia ang tinuturing ng mga eksperto bilang isang "showstopper" na tagumpay sa quantum computing na maaaring lubos na pabilisin ang kakayahan ng AI sa mga darating na taon.
Pinangunahan ng University of Sydney team, sa pamumuno ni Propesor David Reilly, ang pagbuo ng isang napakaliit na CMOS "chiplet" na kayang gumana sa 100 millikelvin (bahagya lamang sa itaas ng absolute zero) habang kinokontrol ang maraming silicon spin qubits gamit lamang ang microwatts ng kuryente. Nalutas nito ang matagal nang itinuturing na hindi malalampasang hamon sa engineering ng quantum computing.
Ang kahalagahan ng inobasyong ito ay nakasalalay sa kakayahan nitong ilapit ang control electronics sa loob ng mas mababa sa isang milimetro mula mismo sa mga qubit nang hindi naaapektuhan ang maselan nitong quantum states. "Sa pamamagitan ng maingat na disenyo, ipinakita naming halos hindi napapansin ng mga qubit ang switching ng 100,000 transistors sa tabi nila," paliwanag ni Reilly, na inilarawan ang tagumpay bilang "wakas ng isang mahabang paglalakbay" matapos ang isang dekadang pag-develop.
Tradisyonal na nangangailangan ang quantum computing ng malalaking external control systems na konektado sa pamamagitan ng masisikip na wiring, na nagdudulot ng bottleneck sa pag-scale. Sa pamamagitan ng direktang pag-integrate ng control electronics sa isang cryogenic-friendly na CMOS package, naalis ng Australianong team ang limitasyong ito, kaya't nabuksan ang posibilidad ng quantum processors na may milyun-milyong qubit sa isang chip.
Nakabatay ang tagumpay sa silicon spin qubits, na partikular na promising dahil compatible ito sa kasalukuyang semiconductor manufacturing infrastructure. Hindi tulad ng ibang quantum technologies, maaaring gawin ang mga qubit na ito nang maramihan gamit ang parehong CMOS fabrication processes na ginagamit sa mga modernong smartphone at computer.
Malalim ang implikasyon nito para sa artificial intelligence. Ang mga quantum computer na may milyun-milyong qubit ay maaaring magpabilis nang eksponensyal sa training ng mga komplikadong AI model at magbukas ng mga bagong uri ng algorithm na imposibleng gawin sa tradisyonal na hardware. Maaari itong magdulot ng mga tagumpay sa larangan ng drug discovery, materials science, at complex system optimization na nananatiling hindi kayang lutasin kahit ng pinaka-advanced na AI systems sa kasalukuyan.