گوگل می‌گوید ویلو (Willow) یک تراشه محاسبات کوانتومی است که قادر است وظیفه‌ای را در ۵ دقیقه انجام دهد که انجام آن برای یک ابررایانه ۱۰ سپتیلیون سال طول می‌کشد.

به گزارش سرویس سخت افزار رسانه اخبار تکنولوژی تکنا، آزمایشگاه محاسبات کوانتومی گوگل به تازگی به یک نقطه عطف مهم دست یافته است. این شرکت روز دوشنبه اعلام کرد که تراشه محاسبات کوانتومی جدید آن، ویلو قادر است یک چالش محاسباتی را در کمتر از پنج دقیقه انجام دهد فرآیندی که گوگل می‌گوید برای یکی از سریع‌ترین ابررایانه‌های جهان ۱۰ سپتیلیون سال یا بیشتر از سن جهان طول می‌کشد.

این یک جهش بزرگ از سال ۲۰۱۹ است که گوگل اعلام کرد پردازنده کوانتومی آن می‌تواند یک معادله ریاضی را در سه دقیقه در مقابل ۱۰،۰۰۰ سال در یک ابررایانه انجام دهد. IBM در آن زمان این ادعا را مورد مناقشه قرار داد.

در کنار عملکرد قدرتمندتر، محققان همچنین راهی برای کاهش خطاها پیدا کردند، چیزی که گوگل آن را یکی از بزرگترین چالش‌های محاسبات کوانتومی می‌نامد. به جای بیت‌ها که ۰ یا ۱ را نشان می‌دهند، محاسبات کوانتومی از کیوبیت‌ها استفاده می‌کند، واحدی که می‌تواند همزمان در حالت‌های مختلفی مانند ۱، ۰ و هر چیزی بین آن‌ها وجود داشته باشد.

همانطور که گوگل اشاره کرد کیوبیت‌ها مستعد خطا هستند زیرا تمایل دارند به سرعت اطلاعات را با محیط خود مبادله کنند. با این حال محققان گوگل راهی برای کاهش خطاها با معرفی کیوبیت‌های بیشتر به یک سیستم پیدا کردند و توانستند آن‌ها را در زمان واقعی تصحیح کنند.

هارتموت نونن بنیانگذار Google Quantum AI در وبلاگ گوگل می‌نویسد: این دستاورد تاریخی در این زمینه به عنوان زیر آستانه شناخته می‌شود، توانایی کاهش خطاها در حالی که تعداد کیوبیت‌ها را افزایش می‌دهیم. شما باید نشان دهید که زیر آستانه هستید تا پیشرفت واقعی در تصحیح خطا نشان دهید، و این از زمان معرفی تصحیح خطای کوانتومی توسط پیتر شور در سال ۱۹۹۵ یک چالش برجسته بوده است.

ویلو که دارای ۱۰۵ کیوبیت است، طبق گفته نونن، “اکنون بهترین عملکرد را دارد.” مایکروسافت، آمازون و IBM در حال کار بر روی سیستم‌های محاسبات کوانتومی خود هستند.

هدف بعدی گوگل انجام اولین محاسبه “مفید و فراتر از کلاسیک” است که هم برای یک کاربرد دنیای واقعی مرتبط باشد و هم چیزی که رایانه‌های معمولی نمی‌توانند به دست آورند. نونن می‌گوید در آینده، فناوری کوانتومی برای جمع‌آوری داده‌های آموزشی هوش مصنوعی ضروری خواهد بود و در نهایت به کشف داروهای جدید، طراحی باتری‌های کارآمدتر برای خودروهای برقی و تسریع پیشرفت در فیوژن و انرژی‌های جایگزین جدید کمک خواهد کرد.