Amazon Web Services Inc. (AWS) 今天发布了其首款量子计算芯片,并表示这是第一代具有优秀纠错能力的硬件,这一突破有望解决量子计算技术扩展的难题。
这款名为 Ocelot 的新处理器采用了创新方案,与现有技术相比,将量子纠错的实现成本降低了高达 90%。
AWS 从零开始构建了一个专门的架构,使用了所谓的"猫量子比特"技术。AWS 量子计算中心的研究人员最初于 2021 年提出了这一方法,并最近在 Nature 期刊上发表了描述这种纠错技术的论文。这项技术的命名灵感来自著名的"薛定谔的猫"思想实验。
在量子计算机中,量子比特是用于计算的基本信息单位,相当于经典计算中表示 1 或 0 的比特,但它可以同时存在于多个状态。这使得量子计算机能够极快地进行计算。问题在于,物理量子比特极其脆弱,容易受到电磁辐射、热量甚至微小振动等外部干扰的影响,从而产生噪声和错误。
猫量子比特通过使用振荡器组件来存储用于计算的量子态,这些振荡器能产生具有稳定时序的重复电信号。这种信号用于防止一种在硬件中难以纠正的相位偏移错误。芯片中的高质量振荡器由钽超导材料薄膜制成。
AWS 量子硬件主管 Oskar Painter 表示:"随着量子研究的最新进展,实用、容错的量子计算机用于现实世界应用已不是能否实现的问题,而是何时实现的问题。Ocelot 是这一征程中的重要一步。"
Ocelot 是 AWS 创建的小规模原型,用于测试该架构方法的有效性。Amazon 表示,可能还需要数年的规模扩展,该架构才能准备好公开发布。目前,公司计划继续研究并将其作为进一步发展的基础。
Painter 补充道:"我们才刚刚起步,我们相信还需要经过多个扩展阶段。目前,我们的任务是继续在量子计算技术栈上创新,不断检验我们是否使用了正确的架构,并将这些经验教训纳入我们的工程努力中。这是一个持续改进和扩展的飞轮。"
Ocelot 的发布紧随 Microsoft Corp. 发布其量子计算芯片 Majorana 1 之后,后者是一款八量子比特芯片,微软称这也是行业的一个突破。上周发布的微软芯片采用了称为 Majorana 费米子的准粒子,这种粒子可作为自身的反粒子,为计算提供量子态。
量子计算有望帮助解决现实世界中经典系统难以处理的复杂应用,如加快药物发现和开发、协助新材料生产,以及做出准确的投资策略预测。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。