Australijscy badacze osiągnęli to, co eksperci określają mianem przełomu na miarę „gamechangera” w dziedzinie komputerów kwantowych, który w nadchodzących latach może radykalnie przyspieszyć możliwości przetwarzania sztucznej inteligencji.
Zespół z Uniwersytetu w Sydney, kierowany przez profesora Davida Reilly'ego, opracował miniaturowy „chiplet” CMOS, zdolny do pracy w temperaturze 100 milikelwinów (tuż powyżej zera absolutnego), sterując jednocześnie wieloma krzemowymi kubitami spinowymi przy użyciu zaledwie mikrowatów mocy. Rozwiązanie to eliminuje problem, który przez długi czas był uznawany za nie do pokonania w inżynierii komputerów kwantowych.
Znaczenie tej innowacji polega na możliwości umieszczenia elektroniki sterującej w odległości mniejszej niż milimetr od samych kubitów, bez zakłócania ich delikatnych stanów kwantowych. „Dzięki precyzyjnemu projektowi pokazujemy, że kubity praktycznie nie odczuwają przełączania 100 000 tranzystorów tuż obok”, wyjaśnia Reilly, który określił to osiągnięcie jako „koniec długiej drogi” po dekadzie prac rozwojowych.
Tradycyjne podejścia do komputerów kwantowych wymagają masywnych zewnętrznych systemów sterujących, połączonych gęstą siecią przewodów, co stanowiło poważną barierę w skalowaniu. Dzięki integracji elektroniki sterującej bezpośrednio w przyjaznym dla kriogeniki układzie CMOS, australijski zespół wyeliminował to ograniczenie, otwierając drogę do procesorów kwantowych z milionami kubitów na jednym chipie.
Przełom wykorzystuje krzemowe kubity spinowe, które są szczególnie obiecujące ze względu na kompatybilność z istniejącą infrastrukturą produkcji półprzewodników. W przeciwieństwie do innych technologii kwantowych, te kubity można wytwarzać na dużą skalę, korzystając z tych samych procesów produkcyjnych CMOS, które stosuje się w nowoczesnych smartfonach i komputerach.
Konsekwencje dla sztucznej inteligencji są ogromne. Komputery kwantowe wyposażone w miliony kubitów mogą wykładniczo przyspieszyć trenowanie złożonych modeli AI i umożliwić zupełnie nowe klasy algorytmów, niemożliwe do realizacji na klasycznym sprzęcie. Może to prowadzić do przełomów w takich dziedzinach jak odkrywanie leków, nauka o materiałach czy optymalizacja złożonych systemów, które pozostają poza zasięgiem nawet najbardziej zaawansowanych obecnie systemów AI.