英特尔研究院发布了代号为“Horse Ridge”的首款低温控制芯片,以加快全栈量子计算系统的开发步伐。作为量子实用性道路上的一个重要里程碑,Horse Ridge实现了对多个量子位的控制,并为向更大的系统扩展指明了方向。
基于英特尔22纳米FinFET技术,英特尔与QuTech(由荷兰代尔夫特理工大学与荷兰国家应用科学院联合创立)共同开发了Horse Ridge。控制芯片的制造在英特尔内部完成,将极大地提高英特尔在设计、测试和优化商业上可行的量子计算机的能力。
英特尔量子硬件总监Jim Clarke表示:“虽然人们非常重视量子位本身,但同时控制多个量子位仍是业界的一大挑战。英特尔认识到,量子控制是大规模商用量子系统开发过程中的核心环节,这也是英特尔投资量子纠错和控制技术的原因。通过Horse Ridge,英特尔开发了一个可扩展的控制系统,能够大大加快测试速度并实现量子计算的潜力。”
在实现量子计算机的功能和潜力的竞赛中,研究人员广泛关注量子位的制造,构建测试芯片,以证明以叠加方式运行的少数量子位就能指数级提高计算能力。但在早期的量子硬件开发过程中,如在英特尔硅自旋量子位和超导量子位系统的设计、测试和表征中,英特尔发现实现商业规模量子计算的主要瓶颈是互连和控制电子设备。凭借Horse Ridge,英特尔推出了一个精巧的解决方案,它能够控制多个量子位,并为系统将来扩展到更多的量子位指明了方向,这是实现量子实用性道路上的一个重要里程碑。
量子计算机有望解决传统计算机无法处理的问题,因为量子位可以同时以多种状态存在,借助这一量子物理学现象,量子位能够同时进行大量计算,从而大大加快了解决复杂问题的速度。如果说展示量子实用性是一场马拉松,那么量子研究领域才刚刚跑完一英里。量子研究领域应以量子实用性为基准,确定一个量子系统是否能够提供颠覆性的性能,从而解决现实世界的问题。英特尔在量子计算上的投资涵盖了整个硬件和软件堆栈,旨在开发一个实用、商业上可行的量子系统,并使其投入商用。
目前,研究人员一直致力于构建小规模的量子系统,以证明量子设备的潜力。在这些尝试中,研究人员依靠现有的电子工具和高性能计算机架级仪器,将低温冰箱内的量子系统与调节量子位性能并对系统进行编程的传统计算设备相连。这些设备通常是定制设计以控制单个量子位,如果要控制量子处理器,则需要数百根连接线进出冰箱。然而,这种针对每个量子位的广泛控制布线将会束缚量子系统的能力,使其无法扩展到证明量子实用性所需要的成百上千个量子位,更不用说商业可行的量子解决方案所需的数百万个量子位了。
通过Horse Ridge,英特尔从根本上简化了运行量子系统所需的控制电子设备。通过用高度集成的系统芯片(SoC)来代替这些庞大的仪器,将简化系统设计,并允许使用复杂的信号处理技术来加快设置时间、改善量子位性能,并使系统能够高效扩展到更多的量子位。Horse Ridge是高度集成的混合信号系统芯片,它将量子位控制引入量子冰箱中,以尽可能靠近量子位本身。Horse Ridge有效地降低了量子控制工程的复杂性,从进出冰箱的数百根电缆简化到在量子设备附近运行的单个一体化套件。
Horse Ridge被设计成一个射频(RF)处理器,用来控制在冰箱里运行的量子位,其编程指令与基本量子位的操作相对应,这些指令将被转换成可操纵量子位状态的电磁微波脉冲。
Horse Ridge控制芯片以俄勒冈州最冷的一个地区来命名,能够在大约4开尔文的低温下工作。直观来说,4开尔文仅比绝对零度高一点点,其温度之低,几乎让原子停止运动。随着英特尔对硅自旋量子位的研究不断取得进展,这一成果尤其令人兴奋,因为硅自旋量子位有望在略高于当前量子系统所需的温度下工作。
如今,量子计算机在毫开尔文温度范围内运行,这只比绝对零度高几分之一度。但是硅自旋量子位的特性使其能够在1开尔文或更高温度下工作,这将极大地减少冷却量子系统的挑战。随着研究不断取得进展,英特尔的目标是让低温控制和硅自旋量子位在相同的温度下工作。英特尔能够充分利用在先进封装和互连技术方面的专长,创建一个将量子位和控制器件集成到精简封装中的解决方案。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。