IBM首次运用量子计算机解决了经典计算机无法解决的问题。这一成就标志着实用量子计算系统与软件发展旅途已经迎来重要里程碑。
IBM在《自然》杂志上发表论文,称量子计算技术已经迎来重大突破,解决了领先超级计算机无法以近似方法解决的复杂问题。这一成就有望帮助跨学科科学家们以量子计算系统为武器,逐步攻克化学、材料科学、AI等领域的棘手难题。当然,蓝色巨人的探索同样充满挑战,包括如何在比宇宙深空更加寒冷的温度下运行极易出错的量子比特,并通过经典超级计算机模拟实现结果检验。
图中如“吊灯”般的装置在冷却完成后,其温度甚至比宇宙深空还要低,只有这样才能令底部的超导芯片进入量子态。
IBM希望通过测试,证明拥有127量子比特的Eagle量子计算机确实能为经典算力难以攻克的问题带来转机。但要达成这个目标,他们需要首先解决两个核心难题。第一,他们需要从充斥噪声且极易出错的量子计算机中获取准确结果;第二,面对这样一个从未在量子计算机上成功运行的大模型,如何确定结果正确可信?
在讨论IBM如何解决上述障碍之前,我们先从此次选定的攻坚问题入手。IBM模拟的是伊辛模型,这是一种“对铁磁性的数学描述,由离散变量组成,这些变量表示原子「自旋」的磁偶极矩,可处于+1或-1这两种状态之一。”IBM的研究人员希望计算出这个系统的平均磁化强度。如此复杂且相互关联的问题非常适合交由量子计算机解决,因为它能有效与量子计算机中的量子比特相映射。伊辛模型已被用于研究各种物理现象,包括铁磁性、反铁磁性、液气相变和蛋白质折叠等。该模型在计算机科学领域也有应用,包括研究优化和机器学习等问题。
IBM解释称,“虽然这个问题凭借其变量动态和广泛的潜在应用场景而高度匹配量子计算,但由于现有量子计算机极易出错且充斥噪声,此前一直无法得到切实解决。”
回到讨论主线。IBM运用错误缓解技术克服了噪声问题。简单来讲,对量子计算过程进行直接纠错目前尚不可行。传统计算机在受到宇宙粒子撞击时,“0”有10-27 的的概率突变成“1”。虽然这样的概率几乎与零无异,但传统计算机仍会使用循环冗余代码以检测并纠正此类错误,确保银行账单等关键用例不受偶发事件的影响。
但在量子计算机中,这种概率会增长100万亿倍,达到10-4。这就要求我们必须投入大部分量子算力进行查错和纠错!
IBM并没有使用纠错机制,而是选择零噪声外推(ZNE)来减少偏差。具体方法是将噪声分别增加20%和60%,然后外推回零噪声时的预期值。
通过测量更多感应噪声的影响,即可推断回零噪声状态。应用ZNE能够显著提高质量指标,从~.08优化至近乎完美的(1.0)。
IBM研究院量子能力与展示经理Abhinav Kandala博士指出,“我们之所以能够做到这一点,是因为我们构建起一套在规模和质量上都前所未有的量子系统,并在这个大规模量子系统上开发出操纵噪声的能力。”
IBM在加州大学伯克利分校招募了经典计算方法专家,共同解决这些问题。研究团队同时在劳伦斯伯克利国家实验室和普渡 大学的经典超级计算机上运行这个问题。在较低复杂度下,量子结果与通过蛮力模拟的具体计算答案成功匹配。
IBM Quantum System 1能够在5分多钟的运行时间内生成估算结果。
随着模型难度的增加,经典方法逐渐力有不逮。最终,该模型超越了蛮力模拟方法的极限,而量子方法与经典计算结果间的近似性也让研究人员砍,量子计算机给出的答案准确可信。这当然要归功于更先进的新型错误缓解技术。虽然IBM无法在如此复杂的水平上验证各项结果,但较低级别结果的良好匹配让他们有理由相信新结果同样正确无误。IBM在《自然》杂志论文的相关博文中表示,“我们虽然无法证明量子答案比最先进的经典计算结果更加正确,但量子计算机在解决这类问题时能提供超越经典计算机的价值这一结论,正在获得越来越高的置信度。”
那这是不是传说中的“量子霸权”,即量子系统解决了任何经典计算系统都无法解决的问题?IBM补充称,“这还不足以证明量子计算机比经典计算系统更好。根据设想,我们认为未来这两种范式将继续不断改进,各自解决最适合自己特性的问题。但此次实验确实表明,我们能够以有价值的方式使用现有量子计算机,解决经典计算机难以攻克的问题。”
也就是说,如果经典计算架构未来能在软件和硬件领域突破边界,那么量子计算将为其计算结果提供验证支持。所以IBM将此次成果归纳为“量子效用”:已经可以解决现实世界中的问题,无论经典计算机能否给出同样的结果。
IBM的量子计算机。
尽管IBM科学家对于推断结果仍持谨慎态度,但其创新路径已经相当明确。根据IBM及其生态系统在过去6年间取得的成就来看,蓝色巨人预计很快就能解决“100量子比特乘100门深度电路”的问题,并在未来10年内打造出拥有10万量子比特的计算系统。
如今,IBM已经证明充满噪声的量子计算机也能产生准确的结果,并解决经典近似计算难以处理的复杂问题。尽管相较于“量子霸权”范围更窄,但IBM已经跨过了“量子效用”的门槛。
这段已经持续几十年的探索之旅还将继续,带来我们当初难以想象的见解和知识。IBM也将不懈努力,达成路线图中关于量子系统规模、质量和速度的一个个提升目标。
好文章,需要你的鼓励
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。