مدیر انویدیا: کامپیوترهای کوانتومی به آموزش هوش مصنوعی کمک می‌کنند

جنسن هوانگ، مدیرعامل انویدیا، شغل جدیدی را برای کامپیوترهای کوانتومی متصور است: آموزش هوش مصنوعی. او معتقد است ماشین‌های کوانتومی می‌توانند با شبیه‌سازی زیست‌شناسی و شیمی و سپس تولید داده‌های مصنوعی از این شبیه‌سازی‌ها، به آموزش مدل‌های هوش مصنوعی کمک کنند.

منطق پشت این ایده به این صورت است: مدل‌های هوش مصنوعی از داده‌ها یاد می‌گیرند و جمع‌آوری برخی از ارزشمندترین داده‌های علمی بسیار دشوار است. طبیعت بر اساس مکانیک کوانتومی عمل می‌کند و مولکول‌ها، پروتئین‌ها و واکنش‌های شیمیایی به گونه‌ای رفتار می‌کنند که مدل‌سازی دقیق آن‌ها برای کامپیوترهای کلاسیک چالش‌برانگیز است.

یک کامپیوتر کوانتومی، در تئوری، زبان بومی طبیعت را می‌داند. اگر بتواند رفتار واقعی مولکول‌ها را شبیه‌سازی کند، خروجی‌های آن می‌توانند منبع جدیدی برای مواد آموزشی سیستم‌های هوش مصنوعی باشند. داده‌های مصنوعی در حال حاضر یک راه‌حل محبوب در حوزه هوش مصنوعی هستند. پیشنهاد هوانگ این است که شبیه‌سازی کوانتومی می‌تواند این داده‌های مصنوعی را به واقعیت دنیای فیزیکی نزدیک‌تر کند.

دستاورد کوانتومی انویدیا

اظهارات هوانگ همزمان با یک نقطه عطف ملموس در حوزه کوانتوم از سوی انویدیا منتشر شده است. در تاریخ ۱۹ اکتبر ۲۰۲۶، این شرکت از رکوردشکنی در شبیه‌سازی یک پردازنده کوانتومی مقاوم در برابر خطا با ۱۰۴ کیوبیت خبر داد. این عملیات بر روی ابررایانه JUPITER در مرکز ابررایانه یولیخ آلمان انجام شد و از ۸۱۹۲ ابرتراشه GH200 انویدیا استفاده کرد.

این شبیه‌سازی، روشی برای تصحیح خطا به نام “کشت حالت جادویی” (magic state cultivation) را تأیید کرد. گفته می‌شود این رویکرد به ۹۰ درصد کیوبیت فیزیکی کمتری نسبت به روش‌های سنتی نیاز دارد.

تصحیح خطا روشی است که مهندسان برای مقابله با شکنندگی کیوبیت‌ها به کار می‌گیرند. این روش معمولاً شامل تجمیع چندین کیوبیت فیزیکی برای ایجاد یک “کیوبیت منطقی” قابل اعتماد است. روشی که نیاز به کیوبیت فیزیکی را ۹۰ درصد کاهش می‌دهد، در صورت موفقیت در سخت‌افزار واقعی، ساخت ماشین‌های کوانتومی کاربردی را به طور قابل توجهی آسان‌تر خواهد کرد.

هوانگ تأکید کرده است که محاسبات کوانتومی عملی به سیستم‌های بسیار پیچیده و مقاوم در برابر خطا متکی خواهد بود. از دیدگاه او، درک رفتار این سیستم‌ها در مقیاس بزرگ، پیش‌نیازی برای ساخت آن‌هاست.

شبیه‌سازی انویدیا در واقع یک “تمرین قبل از اجرا” محسوب می‌شود. محققان می‌توانند طرح‌های کوانتومی را بر روی پردازنده‌های گرافیکی (GPU) آزمایش کنند، پیش از آنکه کسی پول و زمان لازم برای ساخت تراشه‌های واقعی را صرف کند.

استراتژی انویدیا

انویدیا زمان قابل توجهی را صرف ساخت سیستم‌های هیبریدی کرده است که پردازنده‌های کوانتومی را با پردازنده‌های گرافیکی و ابزارهای نرم‌افزاری مانند CUDA-Q ترکیب می‌کنند. این شرکت همچنین با شرکت‌های سخت‌افزار کوانتومی و آزمایشگاه‌های ملی آمریکا همکاری می‌کند. شبیه‌سازی JUPITER بخشی از این استراتژی گسترده‌تر انویدیا برای تبدیل سخت‌افزار خود به چارچوبی برای طراحی و آزمایش محاسبات کوانتومی است.

چشم‌انداز انویدیا، همانطور که هوانگ ترسیم می‌کند، ادغامی از روش‌های کلاسیک و کوانتومی است. مزایای وعده داده شده شامل چرخه‌های توسعه کوتاه‌تر و مدل‌سازی دقیق‌تر است که می‌تواند منجر به پیشرفت‌هایی در شبیه‌سازی مولکولی و علوم مبتنی بر هوش مصنوعی شود.

برای انویدیا، پیام استراتژیک روشن است: محاسبات کوانتومی نه به عنوان تهدیدی برای کسب‌وکار پردازنده‌های گرافیکی، بلکه به عنوان یک مشتری جدید برای آن تلقی می‌شود. اگر ابررایانه‌های مبتنی بر پردازنده‌های گرافیکی به پلتفرم استاندارد برای طراحی و اعتبارسنجی سخت‌افزار کوانتومی تبدیل شوند، هر تلاش جدی در حوزه کوانتوم ممکن است به تراشه‌های انویدیا متکی شود. اجرای JUPITER با ۸۱۹۲ ابرتراشه GH200، نمونه‌ای بارز از این نوع بار کاری است.

واضح‌ترین ذینفعان این پیشرفت‌ها، حوزه‌هایی مانند کشف دارو و علم مواد خواهند بود. این‌ها حوزه‌هایی هستند که مدل‌سازی دقیق مولکولی در آن‌ها ارزشمند است و جمع‌آوری داده‌های تجربی واقعی کند و پرهزینه است. اعتبارسنجی پیش از ساخت سخت‌افزار نیز می‌تواند اقتصاد تحقیقات کوانتومی را تغییر دهد. آزمایش طرح‌ها در شبیه‌سازی ابتدا می‌تواند به سازندگان سخت‌افزار کمک کند تا از بن‌بست‌های پرهزینه اجتناب کنند.

با این حال، ملاحظات مهمی وجود دارد. هوانگ می‌گوید کامپیوترهای کوانتومی می‌توانند به آموزش هوش مصنوعی کمک کنند، نه اینکه در حال حاضر این کار را انجام می‌دهند. گفته می‌شود روش کشت حالت جادویی نیاز به کیوبیت را کاهش می‌دهد، اما این روش در شبیه‌سازی تأیید شده است، نه بر روی یک ماشین عملیاتی مقاوم در برابر خطا.