Kuantum bilgisayarların en büyük sorunlarından biri olan hata düzeltme, RIKEN’deki fizikçilerin geliştirdiği derin öğrenme destekli yöntemle çok daha verimli hale geldi.
Kuantum bilgisayarlar, günümüzün en güçlü süper bilgisayarlarının bile çözemediği problemleri çözme potansiyeli taşıyan sistemler olarak ön plana çıkıyor. Ancak bu devrimsel teknolojinin pratiğe dökülebilmesi için çözülmesi gereken bazı temel sorunlar var. Bunların başında, kuantum bilgisayarların yaptığı hesaplamaların doğruluğunu koruyabilmesi, yani hata düzeltme sorunu geliyor.
Kuantum bilgisayarlar klasik bilgisayarlardan farklı olarak qubit (kuantum biti) adı verilen bilgi birimleriyle çalışıyor. Bu kübitler, çevresel gürültüye ve dış etkenlere karşı son derece hassas. En ufak bir dış müdahale, sistemin kararlılığını bozarak hatalara yol açabiliyor.
Japonya’daki RIKEN Kuantum Hesaplama Merkezi’nden fizikçi Franco Nori, bu durumu şöyle açıklıyor: “Kuantum bilgisayarların güvenilirliği, çevreye karşı olan aşırı hassasiyetleriyle sınırlı. Ufak çevresel rahatsızlıklar bile kuantum bilgisindeki bilgiyi bozabiliyor.”
GKP kodları: Az donanım, çok düzeltme
Kuantum hatalarını düzeltmenin çeşitli yolları var, ancak bunlardan biri olan Gottesman–Kitaev–Preskill (GKP) kodları, hem teorik açıdan güçlü hem de donanım açısından daha az gereksinime sahip olduğu için özellikle dikkat çekiyor. İlk kez 2001 yılında önerilen bu yöntem, bir kübiti, yani kuantum bilgisini, harmonik osilatör adı verilen ve basitçe bir sarkaç gibi davranan sistemlere yerleştirerek kodluyor.
GKP kodlarının avantajı, yüksek donanım yatırımı gerektirmeden kuantum hata düzeltmesi sağlayabilmesi. Ancak bu kodların çalışabilmesi için sıkıştırılmış kuantum durumları adı verilen özel durumların kullanılması gerekiyor. Sıkıştırılmış durumlar, kuantum fiziğinde belirli ölçümlerin belirsizliğini azaltan özel dalga paketleri. Ne var ki, bu durumları üretmek ve kontrol altında tutmak oldukça zor olduğu için GKP kodlarının deneysel olarak uygulanması bugüne dek sınırlı kalmıştı.
RIKEN araştırmacıları, bu engeli aşmak için yapay zekadan faydalandı. Franco Nori, Clemens Gneiting ve Yexiong Zeng’in de içinde bulunduğu ekip, GKP kodlarını optimize etmek için derin öğrenme yöntemlerini kullandı. Derin öğrenme, yapay zekanın bir alt alanı olup, çok katmanlı yapay sinir ağlarıyla verileri analiz ederek en iyi çözümleri bulmayı hedefler.
Yapılan çalışmada, sinir ağları GKP durumlarının yapısını inceleyerek hangi parametrelerle bu durumların daha verimli üretilebileceğini öğrendi. Bu sayede daha az “sıkıştırma” gerektiren, ancak hata düzeltme açısından daha güçlü yeni GKP kodları geliştirildi.
Yexiong Zeng, çalışmanın başarısını şu sözlerle ifade ediyor: “Yapay zekanın gücünden faydalanarak GKP durumlarını ince ayarlarla optimize ettik. Kaynak kullanımı ile hata düzeltme kapasitesi arasında ideal bir denge sağladık.” Ekip, bu yeni GKP kodlarının, geleneksel kodlara göre çok daha az kaynak kullanarak daha yüksek doğrulukla çalıştığını belirtiyor.
Yeni yöntem sadece teoriyle sınırlı değil; aynı zamanda pratikte de uygulanabilirliği yüksek. Bu gelişme, kuantum bilgisayarların ölçeklenebilir ve hata toleranslı hale gelmesini hızlandırarak bilim ve teknoloji alanında büyük ilerlemelerin önünü açabilir. Araştırmacı Gneiting, “Kaynak ihtiyacını azaltıp hata toleransını artırarak, ölçeklenebilir kuantum hesaplamaya bir adım daha yaklaştık,” diyor.
Ekip, şimdi bu yapay zeka destekli kodlama yöntemini daha büyük, çoklu kuantum sistemlere uygulamayı planlıyor. Böylece birden fazla kübitin birlikte çalıştığı daha karmaşık sistemlerde de aynı hata düzeltme başarısına ulaşılması hedefleniyor.
Bu çalışma, kuantum teknolojileri ile yapay zekanın kesişiminden doğan işbirliğinin, geleceğin bilgi işlem sistemlerinde ne denli belirleyici olacağını bir kez daha gözler önüne seriyor.
Kaynak: RIKEN
