Австралийские исследователи добились того, что эксперты называют «сногсшибательным» прорывом в квантовых вычислениях, который может значительно ускорить развитие искусственного интеллекта в ближайшие годы.
Команда Сиднейского университета под руководством профессора Дэвида Рейли разработала миниатюрный CMOS-чиплет, способный работать при температуре 100 милликельвин (чуть выше абсолютного нуля) и управлять несколькими кремниевыми спиновыми кубитами, потребляя всего микроватты энергии. Это решает давнюю инженерную задачу, считавшуюся непреодолимой в квантовых вычислениях.
Значимость инновации заключается в возможности размещать управляющую электронику менее чем в миллиметре от самих кубитов, не нарушая их хрупкое квантовое состояние. «Благодаря тщательному проектированию мы показали, что кубиты практически не замечают переключения 100 000 транзисторов буквально по соседству», — пояснил Рейли, назвав это достижение «концом долгого пути» после десятилетия разработок.
Традиционные подходы к квантовым вычислениям требуют громоздких внешних управляющих систем, соединённых с чипом множеством проводов, что создаёт серьёзное препятствие для масштабирования. Интегрируя управляющую электронику непосредственно в криогенную CMOS-структуру, австралийская команда устранила это ограничение, открыв путь к квантовым процессорам с миллионами кубитов на одном чипе.
Прорыв основан на использовании кремниевых спиновых кубитов, которые особенно перспективны благодаря совместимости с существующей инфраструктурой производства полупроводников. В отличие от других квантовых технологий, такие кубиты можно массово производить с помощью тех же CMOS-процессов, что применяются при изготовлении современных смартфонов и компьютеров.
Влияние на искусственный интеллект может быть колоссальным. Квантовые компьютеры с миллионами кубитов способны экспоненциально ускорить обучение сложных моделей ИИ и открыть совершенно новые классы алгоритмов, невозможные на классическом оборудовании. Это может привести к прорывам в таких областях, как разработка лекарств, материаловедение и оптимизация сложных систем, которые остаются недостижимыми даже для самых современных ИИ-систем сегодняшнего дня.