퀀텀 컴퓨터 상용화까지 얼마 남았을까요?

Find AI Tools in second

Find AI Tools
No difficulty
No complicated process
Find ai tools

퀀텀 컴퓨터 상용화까지 얼마 남았을까요?

퀀텀 컴퓨터의 상용화까지 얼마나 더 남았을까요? 🚀

이번 퀀텀 서머 심포지엄 2022에 오신 여러분, 구글 퀀텀 AI 팀 및 협력자들이 지난 12개월 동안 양자 하드웨어 및 양자 소프트웨어 구축을 위해 한 일에 대해 업데이트하고, 팀과의 상호작용 방법에 대해 알려드리겠습니다. 저는 우리 팀이 자주 묻는 질문에 답변하는 방식으로 안내글을 준비했습니다.

1. 어디까지 양자 컴퓨터 상용화를 위해 나아갔을까요? 🌐

퀀텀 컴퓨터의 상용화에 얼마나 가까워졌을까요? 이미 2020년에 발표된 로드맵을 보셨다면 알고 계실 것입니다. 저희는 커뮤니티와 산업을 구축하여 유용한 대형 양자 컴퓨터 구축을 위한 목표를 달성하기 위해 이 로드맵을 작성했습니다. 이 목표를 달성하기 위해 여러 단계로 나뉘었는데, 2019년에 우리는 양자 컴퓨터가 고전 컴퓨터보다 훨씬 빠른 작업을 수행할 수 있음을 입증하는 첫 번째 단계를 달성했습니다. 이후에는 양자 오류 보정 기술인 양자 에러 보정을 달성해야만 복잡한 알고리즘을 실행하기에 충분한 작업을 각 큐비트에서 수행할 수 있습니다.

이미 몇 일 전에 아카이브에서 확인하셨을 수도 있지만, 다행히 전 우리 팀 전체의 열심히 한 작업과 기술로 두 번째 목표를 달성한 기쁨을 전합니다. 이 기쁨은 실제로 실험을 통해 양자 에러 보정 이론이 작동함을 입증하고 논리 큐비트 프로토 타입을 구축했음을 의미합니다. 이 프로토 타입은 우리가 두 해 전에 발표한 목표인 접지 위치 코드 에러 보정을 구현한 것입니다. 이 코드에서 우리는 논리적 정보를 기지 큐비트에 단일 물리적 큐비트가 아닌 중복을 도입하여 저장합니다. 이렇게 하면 3x3에서 5x5로 배열을 확장할 수록 논리적 오류 확률이 감소한다는 것을 알 수 있습니다. 그리고 이 실험 결과는 처음으로 실험을 통해 이러한 접지 위치 코드 논리 큐비트의 부정확성이 논리 오류 확률이 개선되는 '근우의 법칙'을 넘습니다.

더 자세한 내용을 알려드리겠습니다. 이 계획은 계획일뿐이지만, 실제 실험 데이터를보면 다음과 같습니다. 왼쪽 그림에서는 실험 설정이 보입니다. 테스트는 코드 거리 5와 코드 거리 3을 비교했습니다. 5x5 데이터 큐비트가 논리 큐비트 정보를 저장하고, D x D-1은 논리 정보를 배우지 않고 적막하게 유지시키기 위해 삽입된 측정 큐비트입니다. 다음 그림에서는 실제 실험 데이터입니다. 상태 오류 확률 대신에 잘 했으면 하는 것처럼 보입니다. 코드 거리 3에서 코드 거리 5로 이동함에 따라 논리적 오류 확률이 감소함을 알 수 있습니다. 이 실험은 물리적 오류 확률이 낮아서 디코더가 이러한 정보를 이해하고 더 신뢰할 수 있는 논리적 정보를 제공할 수 있는 충분한 수치인 것을 처음으로 실험적으로 보여줍니다.

이제 일련의 실험에 대해 조금 더 자세히 알아보겠습니다. 먼저, 데이터 큐비트를 잡은 다음 지역 Z 연산자의 고유 상태로 초기화합니다. 이를 이용해 논리적 Z 연산자의 고유 상태로 논리적 큐비트를 초기화합니다. 그런 다음, 오류 적응망을 측정하고 측정 큐비트의 상태를 변경합니다. 이를 통해 우리는 논리적 큐비트마다, 알맞은 논리적 z 상태 측정을 얻을 수 있습니다. 마지막으로, 모든 데이터 큐비트를 측정합니다.

이 실험을 다른 방식으로 그래프로 표현하면 효과적으로 볼 수 있습니다. 여기, 오류 확률 대신 충실도를 플롯하였습니다. 코드 거리가 3에서 5로 증가함에 따라 효과적으로 개선되는 것을 알 수 있습니다. 이는 복잡한 소프트웨어를 구동하는 데 충분한 높은 수준의 효과적인 논리적 큐비트를 달성했음을 의미합니다. 이는 우리가 두 번째 목표를 달성함을 증명합니다.

여기까지는 우리가 자주받았던 질문 중 한 가지였습니다. 좋은 질문이었는지 의문을 가져보았는데요, 저희 팀은 언제나 신뢰할 수 있는 자문자로 남고 싶습니다. 우리는 결과를 과대 홍보하지 않기 위해 신중합니다. 두 번째 목표도 끝이 아닙니다. 아직 남은 네 가지 목표가 있는데, 그중에서도 다음 목표는 매우 힘든 일입니다. 낮은 오류율로, 예를 들어 10의 마이너스 6승이나 10의 마이너스 9승보다 낮은 오류율을 달성하는 것입니다. 이렇게 하면 큐비트당 많은 작업을 할 수 있으며, 유명한 복잡한 알고리즘을 실행할 수 있습니다.

그렇다면 이 목표를 이루기 위해서는 어떤 것이 필요할까요? 성공적인 연구를 위해서는 어떤 것들이 추가로 개선되어야 할까요? 어느 부분을 더 신경 써야 할까요? 더 자세히 살펴보겠습니다. 먼저, 우리는 항상 양과 질을 개선해야 합니다. 최소한 람다가 4보다 커져야 합니다. 왜냐하면 람다가 너무 작으면 논리적 큐비트를 표현하기 위해 너무 많은 물리적 큐비트가 필요하게 됩니다. 이는 매우 큰 배열을 의미하며, 많은 오류가 발생할 수 있는 것을 의미합니다. 또한, 이 더 넓은 람다를 달성하기 위해서는 상호작용 시간을 늘리고 유휴 시간을 줄이는 것이 중요합니다.

저희의 모델링에 따르면 아직 크로스토크와 누설이 얼마나 해롭고 부정적인 영향을 미치는지 알 수 있습니다. 대부분의 오류 보정 코드는 서로 상관관계가 없는 오류를 가정합니다. 그러나 실제 세상에서는 이렇게 되지 않는 경우도 있습니다. 또한 놀라운 사실은, 코스믹 선으로 인한 막대한 상관된 오류 사건이 발생할 수 있다는 것입니다. 이러한 이유로 우리는 이러한 문제들을 해결하기 위해 더 많은 연구가 필요합니다.

이제, 우리가 현재의 크기를 유지하면서 크기를 늘리려고 한다면 어떤 기술이 필요한지 살펴보겠습니다. 칩 제작은 원리상 1000 큐비트 칩을 만들 수 있는 퀀텀 제작시설(qfabs1)을 이미 가지고 있습니다. 크라이오스탯도 여러 업체에서 대규모로 판매되고 있는 상태입니다. 현재의 제어 전자는 우리가 예상하는 1000 큐비트 실험에 적합합니다. 그러나 다음 목표를 위해 CMOS 기술로 전환해야 할 때가 올 것입니다. 마지막으로는 가장 많은 작업이 필요한 부분인 3D 통합입니다. 저희의 칩은 하나의 큐비트당 하나의 와이어와 같기 때문에 일종의 헤어볼과 같습니다. 따라서 여러 가지 포장 및 배선 기술을 개발해야 합니다.

다음 질문은 많은 사람들이 하는 질문 중 하나인데요, 첫 번째 상용 응용 프로그램은 언제 등장할까요? 여기에서 여러 분야에서 어떤 진전이 이루어지고 있는지 간단히 알려드리겠습니다. 먼저, 표면 코드 오류 보정은 많은 리소스가 필요합니다. 그래서 우리는 이에 대한 비용 차이를 극복하기 위해 이 논문을 발표했습니다. 아직은 오류 보정에 필요한 비용이 상당히 크고, 고전 데이터에서 이러한 비용 차이를 크게 줄일 수 있는 알고리즘이 부족하기 때문입니다. 하지만 이것은 퀀텀 알고리즘 연구에 멈춰 있는 것이 아니라는 의미입니다. 실제로 이 분야에서도 많은 진전이 있고, 새로운 양자 알고리즘을 설계하는 사람들이 더 많아질 것을 기대합니다.

화학 분야에서는 양자 기계 학습의 진흥이 꾸준히 이루어지고 있습니다. 예를 들어, 바이링글하임(Bayeringelheim)과의 협력을 통해, 약리학에 흥미로운 결과를 얻을 수 있는 정확도로 효소 P450을 모델링하는 데 필요한 비용을 계산했습니다. 알고리즘 비용을 줄이기 위해 계산 볼륨 크기 등을 고려하여 산출했으며, 이를 통해 더 정확한 약물 모델링을 할 수 있습니다.

양자 센싱과 양자 컴퓨팅의 교차점에서 양자 머신 러닝에 대한 결과도 주목할 만합니다. 양자 데이터를 양자 메모리로 변환하면 학습자가 종속적인 샘플 복잡도를 지수적으로 줄이면서 작업을 학습할 수 있습니다. 이는 실제 데이터의 지수적으로 적은 예제로 작업을 학습할 수 있는 가능성을 의미합니다. 이 연구는 Carltech의 Carltech와 협력하여 수행한 것이며, jared mclean이 주도했습니다. 이는 양자 머신 러닝과 같은 기계 학습 분야에 있어서는 새로운 패러다임이 될 수 있을 것입니다.

마지막으로, 저희는 과학적인 관심이 많은 분야에 아주 큰 영감을 받았습니다. 최근 12-24개월 동안 NISQ 회로의 급속한 발전을 관찰하는 것이 가장 마음에 들었습니다. 이는 리처드 파인만이 꿈꿔왔던 것처럼 저희가 퀀텀 상태에서 발생하는 특이한 물질 상태의 물리학을 연구하는 한 예입니다. 여기에 대해 더 자세히 알려드리겠습니다.

2. 구글 퀀텀 컴퓨팅 서비스를 어떻게 활용할 수 있을까요? 💻

올해 우리는 새로운 제품과 서비스를 출시하여 구글의 양자 컴퓨팅 서비스를 활용하는 방법을 개선했습니다. 이제까지 사용하셨던 코딩 툴인 Circuit (서킷)에 대한 안정적인 1.0 버전을 출시했습니다. 이 버전은 사용자에게 향후 버전과의 호환성을 보장할 수 있다는 확신을 줍니다. Circuit를 사용하면 향후의 실험과의 호환성이 보장됩니다.

또한, 오늘 혹은 어제 공지한 양자 가상 머신 (Quantum Virtual Machine) 이용 가능한 서비스도 출시했습니다. 이름에서처럼 양자 가상 머신은 실험적인 양자 하드웨어와 정확한 노이즈 모델을 갖춘 고전 프로세서에서 구동됩니다. 이를 통해 양자 알고리즘을 미리 테스트하고 실제 하드웨어에서의 동작을 살펴볼 수 있습니다. 또한 이 가상 머신은 구글 규모로 수행되므로 대기 열 없이 동시에 수천 명의 사용자가 동시에 사용할 수 있습니다.

3. 구글 퀀텀 AI 팀에 참여하려면 어떻게 해야 할까요? 👥

이렇게 멋진 일을 하고 있는 우리 팀에 참여하고 싶다는 의문에 대해 답변드리겠습니다. 팀이 계속해서 성장하고 있는데요, 이미지가 조금 오래된 것이지만 이 사진에는 원기왕성한 에너지가 담겨 있습니다. 실제로 지금은 이 사진보다 최소 세 배나 네 배 크기로 성장했습니다. 그리고 우리 팀은 최대한 책임 있게 빠르게 성장하고 있으며, 연간 40~50명 정도의 인원이 추가되고 있습니다. 현재 많은 채용을 하고 있는데요, 세 번째 날인 양자 서머 심포지엄에서 멋진 가상 채용 박람회가 마련되어 있습니다. 연구원들이 많은 노력을 기울여 이 행사를 준비했습니다. 이 기회를 이용하여 우리 팀과 어떻게 협력할 수 있는지 살펴보시기 바랍니다. 우리 팀은 다양한 접근 방식을 결합해야 한다고 강력하게 믿습니다. 예를 들어, 다른 종류의 큐비트를 설계한 경험이 있는 분들, 특히 슈퍼콘덕팅 큐비트 외의 다른 종류의 큐비트에 대한 경험이 있다면, 저희에게 연락해 주세요. 인접 분야에서 온 많은 사람들이 우리 팀에 합류했습니다. 저희는 큰 규모의 양자 컴퓨터 개발을 위해 다양한 기술이 필요하다고 믿고 있습니다.

마지막으로, 저희 팀에 오고 싶다는 질문을 자주 받습니다. 이에 대한 대답은 네, 저희는 계속해서 팀을 확장하고 있습니다. 이 일에 흥미를 가지고 계신다면, 저희 팀의 한 구성원이 되어주시기 바랍니다.

Most people like

Are you spending too much time looking for ai tools?
App rating
4.9
AI Tools
100k+
Trusted Users
5000+
WHY YOU SHOULD CHOOSE TOOLIFY

TOOLIFY is the best ai tool source.