IBM วาดภาพถนนสู่คอมพิวเตอร์ควอนตัมเหมือนภารกิจอพอลโล
ในการประชุมสุดยอดเสมือนจริงของQuantum Computingเมื่อสัปดาห์ที่แล้ว IBM ได้วางโรดแมปสำหรับอนาคตของคอมพิวเตอร์ควอนตัม เพื่อแสดงให้เห็นถึงความใหญ่โตของงานข้างหน้า Jay Gambetta , IBM Fellow และ VP, Quantum Computing ได้ดึงความคล้ายคลึงระหว่างภารกิจ Apollo กับคอมพิวเตอร์ควอนตัมของ Big Blue รุ่นต่อไป
ในโพสต์ที่เผยแพร่บนบล็อกของ IBM Research Gambetta กล่าวว่า “… เช่นเดียวกับการลงจอดบนดวงจันทร์ เรามีเป้าหมายสูงสุดในการเข้าถึงขอบเขตที่เกินกว่าที่คอมพิวเตอร์คลาสสิกจะสามารถทำได้ นั่นคือ เราต้องการสร้างคอมพิวเตอร์ควอนตัมขนาดใหญ่”
ความทะเยอทะยานอันสูงส่งสามารถนำไปสู่การลงจอดของมนุษยชาติบนดวงจันทร์ และอาจช่วยให้คอมพิวเตอร์ควอนตัมช่วยแก้ปัญหาที่ท้าทายที่สุดของเรา เช่น การบริหารการดูแลสุขภาพและการจัดการทรัพยากรธรรมชาติ แต่จากการนำเสนอของ Gambetta เห็นได้ชัดว่าต้องใช้หลายขั้นตอนเพื่อให้บรรลุเป้าหมายสูงสุดของ IBM: โปรเซสเซอร์ 1,121 คิวบิตชื่อ Condor
สำหรับ IBM เป็นกระบวนการที่เริ่มต้นขึ้นในช่วงกลางปี 2000 โดยมีการวิจัยเบื้องต้นเกี่ยวกับ qubits ตัวนำยิ่งยวด ซึ่งอยู่ในแผนงานจนถึงอย่างน้อยปี 2023
การพึ่งพา qubits ตัวนำยิ่งยวดนี้ตรงกันข้ามกับแผนงานของ Intelซึ่งขึ้นอยู่กับซิลิกอนสปิน qubits ดูเหมือนว่า IBM ไม่กระตือรือร้นเท่า Intel ที่จะมี qubits คล้ายกับทรานซิสเตอร์
อย่างไรก็ตาม มีปัญหาใหญ่ประการหนึ่งสำหรับคอมพิวเตอร์ควอนตัมที่ใช้ qubits ตัวนำยิ่งยวด: พวกมันต้องการอุณหภูมิที่เย็นจัดมากที่ประมาณ 20 มิลลิเคลวิน (-273 องศาเซลเซียส) นอกจากนี้ เนื่องจากจำนวนคิวบิตของตัวนำยิ่งยวดเพิ่มขึ้น ระบบทำความเย็นจำเป็นต้องขยายตัวเช่นกัน ด้วยเป้าหมายที่จะบรรลุโปรเซสเซอร์ 1,121 คิวบิตภายในปี 2566 ปัจจุบัน IBM กำลังสร้าง “ตู้เย็นซุปเปอร์” ขนาดใหญ่ที่มีชื่อว่า Goldeneye ซึ่งจะสูง 3 เมตรและกว้าง 2 เมตร
เมื่อถึงขีดจำกัด 1,121 คิวบิต IBM เชื่อว่าสามารถวางรากฐานสำหรับยุคใหม่โดยสิ้นเชิงในการคำนวณควอนตัม ซึ่งจะสามารถปรับขนาดเป็นคอมพิวเตอร์ควอนตัม 1 ล้านบวกคิวบิตที่แก้ไขข้อผิดพลาดและเชื่อมต่อถึงกันได้
“ที่ 1,121 qubits เราคาดว่าจะเริ่มสาธิตการแก้ไขข้อผิดพลาดจริงซึ่งจะส่งผลให้วงจรมีความเที่ยงตรงสูงกว่าไม่มีการแก้ไขข้อผิดพลาด” Gambetta กล่าว
Gambetta กล่าวว่าวิศวกรของ Big Blue จะต้องเอาชนะความท้าทายทางเทคนิคหลายประการเพื่อให้ได้ 1,121 qubits ย้อนกลับไปเมื่อต้นเดือนกันยายน IBM ได้เปิดตัวโปรเซสเซอร์ Hummingbird ขนาด 65 บิตซึ่งเพิ่มขึ้นจากโปรเซสเซอร์ Falcon ขนาด 27 บิตซึ่งใช้วงจรควอนตัมนานพอที่ IBM จะประกาศว่ามีปริมาณควอนตัมถึง 64 ( ปริมาณควอนตัมคือการวัดจำนวนคิวบิตที่มีอยู่จริง มีการเชื่อมต่ออย่างไร และมีแนวโน้มว่าจะเกิดข้อผิดพลาดมากเพียงใด)
ปัญหาอีกประการหนึ่งคือปัญหาที่เรียกว่า “การกระจายออก” ซึ่งส่งผลให้เมื่อคุณขยายจำนวน qubits บนชิปควอนตัม เมื่อ qubits เพิ่มขึ้น คุณต้องเพิ่มสายควบคุมหลายเส้นสำหรับแต่ละ qubit
ปัญหานี้กลายเป็นความกังวลที่นักวิทยาศาสตร์คอมพิวเตอร์ควอนตัมได้นำกฎการเช่ามาใช้ซึ่งอุตสาหกรรมเซมิคอนดักเตอร์กำหนดไว้ในช่วงกลางทศวรรษ 1960 EF Rent นักวิทยาศาสตร์ของ IBM ในทศวรรษ 1960 สังเกตว่ามีความสัมพันธ์ระหว่างจำนวนการเชื่อมต่อสัญญาณภายนอกกับบล็อกลอจิกและจำนวนลอจิกเกตในบล็อกลอจิก นักวิทยาศาสตร์ควอนตัมได้ใช้คำศัพท์เพื่ออธิบายความท้าทายของตนเองด้วยการเดินสายของคิวบิต
IBM วางแผนที่จะแก้ไขปัญหาเหล่านี้ในปีหน้าเมื่อเปิดตัวโปรเซสเซอร์ Quantum Eagle ขนาด 127 บิต ที่จะนำเสนอ Vias ผ่านซิลิกอนและการเดินสายแบบหลายระดับที่จะเปิดใช้งาน “การกระจาย” ของสัญญาณควบคุมแบบคลาสสิกที่มีความหนาแน่นสูงในขณะที่ปกป้อง qubits เพื่อรักษาเวลาที่สอดคล้องกันสูง
“การคำนวณด้วยควอนตัมจะต้องเผชิญกับสิ่งต่าง ๆ ที่คล้ายกับกฎการเช่า แต่ด้วยการเดินสายแบบหลายระดับและการอ่านข้อมูลแบบมัลติเพล็กซ์—สิ่งที่เรานำเสนอในแผนงานของเราที่เรากำลังดำเนินการอยู่นั้น—เรากำลังแสดงเส้นทางในการแก้ปัญหาว่าเราขยายขนาดตัวประมวลผลควอนตัมอย่างไร ” กัมเบตต้ากล่าว
ด้วยโปรเซสเซอร์ Eagle นี้ IBM จะนำเสนอความสามารถในการคำนวณแบบคลาสสิกแบบเรียลไทม์พร้อมกัน ซึ่งจะช่วยให้มีการแนะนำกลุ่มวงจรควอนตัมและรหัสที่กว้างขึ้น
ในรุ่นถัดไปของ IBM ในปี 2022 ซึ่งเป็นระบบ Quantum Osprey 433-qubit ซึ่งความท้าทายทางเทคนิคที่ค่อนข้างใหญ่จะเริ่มปรากฏให้เห็น
“การเข้าถึงเครื่อง 433-qubit จะต้องมีความหนาแน่นเพิ่มขึ้นของโครงสร้างพื้นฐาน cryo-infrastructure และการควบคุมและสายเคเบิล cryo-flex” Gambetta กล่าว “มันไม่เคยทำมาก่อน ดังนั้นความท้าทายคือต้องแน่ใจว่าเรากำลังออกแบบระบบล้านคิวบิตในใจ ด้วยเหตุนี้ เราจึงได้เริ่มการทดสอบความเป็นไปได้ขั้นพื้นฐานแล้ว”
หลังจาก Osprey มาถึง Condor และโปรเซสเซอร์ 1,121-qubit ดังที่ Gambetta โพสต์ไว้ในโพสต์ของเขาว่า “เราคิดว่า Condor เป็นจุดเปลี่ยน ซึ่งเป็นเหตุการณ์สำคัญที่แสดงถึงความสามารถของเราในการแก้ไขข้อผิดพลาดและขยายขนาดอุปกรณ์ของเรา ในขณะเดียวกันก็ซับซ้อนพอที่จะสำรวจศักยภาพของ Quantum Advantages—ปัญหาที่เราสามารถแก้ไขได้อย่างมีประสิทธิภาพมากขึ้น บนคอมพิวเตอร์ควอนตัมมากกว่าซูเปอร์คอมพิวเตอร์ที่ดีที่สุดในโลก”
เทคโนโลยีพลังงานต่ำและไม่ลบเลือนที่เรียกว่า memristor แสดงให้เห็นสัญญาเริ่มต้นเป็นพื้นฐานสำหรับการเรียนรู้ของเครื่อง จากการวิจัยใหม่ เมมริสเตอร์สามารถจัดการกับปัญหาการวินิจฉัยทางการแพทย์ของ AI ได้อย่างมีประสิทธิภาพ ซึ่งเป็นการพัฒนาที่น่าสนับสนุนซึ่งแนะนำการใช้งานเพิ่มเติมในด้านอื่น ๆ โดยเฉพาะอย่างยิ่งแอปพลิเคชั่น “ขอบ” ที่ใช้พลังงานต่ำหรือเครือข่าย นักวิจัยกล่าวว่าอาจเป็นเช่นนี้เพราะว่า memristors เลียนแบบคุณสมบัติที่สำคัญบางอย่างของเซลล์ประสาทเทียม
เมมริสเตอร์ หรือตัวต้านทานหน่วยความจำเป็นส่วนประกอบสำคัญของวงจรอิเล็กทรอนิกส์ที่นักวิทยาศาสตร์คาดการณ์เมื่อประมาณ 50 ปีที่แล้ว แต่เพิ่งสร้างขึ้นเป็นครั้งแรกเมื่อสิบกว่าปีที่แล้ว ส่วนประกอบเหล่านี้หรือที่เรียกว่าอุปกรณ์หน่วยความจำเข้าถึงโดยสุ่มแบบต้านทาน (RRAM) เป็นสวิตช์ไฟฟ้าที่สามารถจำได้ว่าเปิดหรือปิดหลังจากปิดเครื่องแล้ว ด้วยเหตุนี้ พวกมันจึงคล้ายกับไซแนปส์—ความเชื่อมโยงระหว่างเซลล์ประสาทในสมองของมนุษย์—ซึ่งค่าการนำไฟฟ้านั้นแข็งแกร่งขึ้นหรืออ่อนลง ขึ้นอยู่กับว่าประจุไฟฟ้าที่ผ่านเข้าไปในอดีตนั้นมากน้อยเพียงใด
ตามทฤษฎีแล้ว memristors สามารถทำหน้าที่เหมือนเซลล์ประสาทเทียมที่สามารถคำนวณและจัดเก็บข้อมูลได้ เช่นนี้ นักวิจัยได้แนะนำว่าmemristor สามารถลดพลังงานและเวลาที่สูญเสียไปอย่างมากในคอมพิวเตอร์ทั่วไปที่รับส่งข้อมูลไปมาระหว่างโปรเซสเซอร์และหน่วยความจำ อุปกรณ์เหล่านี้ยังสามารถทำงานได้ดีภายใน โครงข่ายประสาทเทียมซึ่งเป็นระบบการเรียนรู้ของเครื่องที่ใช้ซินเนปส์และเซลล์ประสาทรุ่นสังเคราะห์เพื่อเลียนแบบกระบวนการเรียนรู้ในสมองของมนุษย์
ความท้าทายประการหนึ่งในการพัฒนาแอพพลิเคชั่นสำหรับ memristors คือการสุ่มที่พบในอุปกรณ์เหล่านี้ Thomas Dalgaty หัวหน้าทีมวิจัย วิศวกรไฟฟ้าที่ Grenoble Alpes University ในฝรั่งเศสกล่าวว่าระดับความต้านทานไฟฟ้าหรือการนำไฟฟ้าที่พบในเมมริสเตอร์นั้นขึ้นอยู่กับอะตอมจำนวนหนึ่งที่เชื่อมอิเล็กโทรดสองขั้ว ทำให้ควบคุมคุณสมบัติทางไฟฟ้าได้ยากตั้งแต่เริ่มแรก
ตอนนี้ Dalgaty และเพื่อนร่วมงานของเขาได้พัฒนาวิธีควบคุมการสุ่มนี้สำหรับแอปพลิเคชันการเรียนรู้ของเครื่อง พวกเขามีรายละเอียดผลการวิจัยของพวกเขาในเดือนนี้ในวารสารNature อิเล็กทรอนิคส์
Memristors ถูกตั้งโปรแกรมโดยการวนรอบผ่านสถานะการนำไฟฟ้าสูงและสถานะปิดการนำไฟฟ้าต่ำ โดยปกติระดับการนำไฟฟ้าที่เห็นในเมมมิสเตอร์อาจแตกต่างกันระหว่างสถานะหนึ่งกับสถานะถัดไปเนื่องจากกระบวนการสุ่มภายในอุปกรณ์
อย่างไรก็ตาม หากเปิดและปิดเมมริสเตอร์มากพอ ค่าการนำไฟฟ้าของเมมริสเตอร์แต่ละตัวจะเป็นไปตามรูปแบบ—“โค้งระฆัง” Dalgaty กล่าว นักวิทยาศาสตร์เปิดเผยว่าพวกเขาสามารถใช้อัลกอริธึมที่เรียกว่าการสุ่มตัวอย่าง Markov chain Monte Carloซึ่งสามารถใช้ประโยชน์จากพฤติกรรมที่คาดการณ์ได้นี้เพื่อแก้ไขงานการเรียนรู้ด้วยเครื่องจำนวนหนึ่ง
เมื่อเปรียบเทียบกับประสิทธิภาพของอุปกรณ์อิเล็กทรอนิกส์CMOSแบบดิจิตอลอาร์เรย์ memristor ของนักวิจัยได้รับพลังงานที่ลดลงอย่างน่าทึ่งถึงห้าลำดับ Dalgaty กล่าวว่าเป็นเพราะ memristor ไม่จำเป็นต้องสับเปลี่ยนข้อมูลไปมาระหว่างโปรเซสเซอร์และหน่วยความจำ สำหรับบริบท ความคลาดเคลื่อน 100,000 เท่านั้นเทียบเท่ากับ “ความแตกต่างของความสูงระหว่าง Burj Khalifa อาคารที่สูงที่สุดในโลก และเหรียญ” เขาอธิบาย
แอปพลิเคชั่นที่น่าสนใจอย่างหนึ่งสำหรับ memristors คืออุปกรณ์ที่สามารถเรียนรู้ ปรับตัว และทำงานที่ส่วนปลายสุดของเครือข่าย (หรือที่เรียกว่า “ขอบ”) ซึ่ง บางครั้งอุปกรณ์ที่ใช้พลังงานต่ำ เช่น ระบบฝังตัว อุปกรณ์สมาร์ทโฮม และโหนด IoTมักจะอาศัยอยู่ Dalgaty กล่าวว่า memristors สามารถช่วยทำให้อุปกรณ์การเรียนรู้ที่ล้ำสมัยเป็นจริงได้
“ในปัจจุบัน การเรียนรู้แบบเอดจ์ไม่สามารถทำได้ เนื่องจากพลังงานที่จำเป็นสำหรับการเรียนรู้ของเครื่องด้วยฮาร์ดแวร์ที่มีอยู่นั้นยิ่งใหญ่กว่าพลังงานที่มีอยู่ที่เอดจ์มาก” เขาอธิบาย “Edge learning [โดยใช้ memristors] … สามารถเปิดโดเมนแอปพลิเคชันใหม่อย่างสมบูรณ์ที่ไม่เคยทำมาก่อน”
ตัวอย่างเช่น นักวิจัยใช้อาร์เรย์ที่ประกอบด้วยเมมริสเตอร์ 16,384 ตัวเพื่อตรวจจับความผิดปกติของจังหวะการเต้นของหัวใจจากการบันทึกคลื่นไฟฟ้าหัวใจ โดยรายงานอัตราการตรวจจับได้ดีกว่าโครงข่ายประสาทเทียมมาตรฐานโดยอิงจากอุปกรณ์อิเล็กทรอนิกส์ทั่วไปที่ไม่ใช่เมมริสเตอร์ ทีมงานยังใช้อาร์เรย์เพื่อแก้ปัญหาการจดจำภาพ เช่น การวินิจฉัยตัวอย่างเนื้อเยื่อเต้านมที่เป็นมะเร็ง
แอพพลิเคชั่น memristor ของ edge learning ในอนาคตที่อาจรวมถึงระบบการเตือนล่วงหน้าทางการแพทย์ที่ฝังไว้ ซึ่งสามารถปรับให้เข้ากับสภาพของผู้ป่วยเมื่อมีการเปลี่ยนแปลงตลอดเวลา “เรากำลังมองไปยังแอพพลิเคชั่น Edge ที่มีข้อจำกัดด้านพลังงานจริงๆ ซึ่งอาจจะยังไม่มีหรือไม่สามารถมีอยู่ได้เนื่องจากพลังงาน [ข้อจำกัด]” Dalgaty กล่าว
ความท้าทายที่ยิ่งใหญ่ครั้งต่อไปคือ Dalgaty กล่าวว่า “จะรวมฟังก์ชันทั้งหมดนี้ไว้บนชิปรวมตัวเดียวที่สามารถนำมาใช้นอกห้องปฏิบัติการได้” อาจใช้เวลาสองสามปีก่อนที่ชิปดังกล่าวจะมีอยู่จริง เขากล่าว
การศึกษาใหม่พบว่าอาจเป็นไปไม่ได้ในทางทฤษฎีที่มนุษย์จะควบคุม AI ที่ชาญฉลาด ที่แย่ไปกว่านั้น การวิจัยยังขจัดความหวังในการตรวจจับ AI ที่ผ่านพ้นไม่ได้เมื่อใกล้จะถูกสร้างขึ้น
ตารางเวลาที่น่ากลัวน้อยกว่าเล็กน้อย อย่างน้อยหนึ่งการประมาณการ หลายทศวรรษข้างหน้าอยู่ข้างหน้า ก่อนที่การคำนวณทางคอมพิวเตอร์ที่ดำรงอยู่ดังกล่าวจะอยู่ในไพ่ของมนุษยชาติ
ควบคู่ไปกับข่าวของ AI ที่เอาชนะมนุษย์ในเกมเช่นหมากรุก GoและJeopardyต่างก็กลัวว่าเครื่องจักรอัจฉริยะที่ฉลาดกว่าจิตใจของมนุษย์ที่ดีที่สุดอาจจะอาละวาดในวันหนึ่ง “คำถามที่ว่า superintelligence สามารถควบคุมถ้าสร้างค่อนข้างเก่า” ผู้เขียนนำการศึกษามานูเอล Alfonseca, นักวิทยาศาสตร์คอมพิวเตอร์ที่กล่าวว่ามหาวิทยาลัยอิสระแห่งกรุงมาดริด “อย่างน้อยมันก็ย้อนกลับไปสู่กฎข้อที่หนึ่งของหุ่นยนต์ของอาซิมอฟในทศวรรษ 1940”
กฎสามข้อของหุ่นยนต์ , ครั้งแรกในเรื่องสั้นของไอแซคอาซิมอฟ 1942“ขวิด” มีดังนี้
หุ่นยนต์ต้องไม่ทำร้ายมนุษย์ หรือปล่อยให้มนุษย์ทำอันตรายโดยไม่กระทำการใดๆ
หุ่นยนต์ต้องเชื่อฟังคำสั่งของมนุษย์ เว้นแต่คำสั่งดังกล่าวจะขัดแย้งกับกฎข้อที่หนึ่ง
หุ่นยนต์ต้องปกป้องการดำรงอยู่ของตัวเองตราบเท่าที่การป้องกันดังกล่าวไม่ขัดแย้งกับกฎข้อที่หนึ่งหรือสอง
ในปี 2014 นักปรัชญา Nick Bostrom ผู้อำนวยการFuture of Humanity Institute แห่ง University of Oxford ไม่เพียงแต่สำรวจวิธีที่AI ที่ฉลาดหลักแหลมสามารถทำลายเราได้ แต่ยังตรวจสอบกลยุทธ์การควบคุมที่อาจเกิดขึ้นสำหรับเครื่องจักรดังกล่าว และเหตุผลที่อาจใช้ไม่ได้ผล .
Bostrom ระบุวิธีแก้ปัญหาที่เป็นไปได้สองประเภทสำหรับ “ปัญหาการควบคุม” นี้ หนึ่งคือควบคุมสิ่งที่ AI สามารถทำได้ เช่น ป้องกันไม่ให้เชื่อมต่อกับอินเทอร์เน็ต และอีกวิธีหนึ่งคือควบคุมสิ่งที่ต้องการทำ เช่น การสอนกฎเกณฑ์และค่านิยมให้ AI ทำหน้าที่เพื่อผลประโยชน์สูงสุดของมนุษย์ ปัญหาของอดีตคือ Bostrom คิดว่าเครื่องจักรอัจฉริยะอาจหลุดพ้นจากพันธะที่เราสามารถทำได้ เขากลัวว่ามนุษย์อาจไม่ฉลาดพอที่จะฝึก AI ที่ชาญฉลาด