VBD 
Tính toán lượng tử mang lại khả năng xử lý các tập dữ liệu khổng lồ một cách hiệu quả hơn rất nhiều so với máy tính cổ điển. Máy tính lượng tử hoạt động dựa trên các bit lượng tử (quantum bits hay qubits), khác với các bit cổ điển chỉ đại diện cho dữ liệu dưới dạng 0 hoặc 1, qubit có thể tồn tại ở nhiều trạng thái đồng thời nhờ vào hiện tượng chồng chéo (superposition). Điều này cho phép máy tính lượng tử thực hiện nhiều phép tính cùng một lúc, mang lại lợi thế về tốc độ đáng kể, đặc biệt là trong việc huấn luyện các mô hình máy học phức tạp cần phải phân tích một lượng lớn dữ liệu. Hơn nữa, qubits có thể được liên đới lượng tử (entangled), cho phép chúng ảnh hưởng đến các trạng thái khác ngay cả khi cách xa nhau một khoảng cách lớn.
Xây dựng máy tính lượng tử (quantum computer) trong thực tiễn hiện nay là một thách thức vô cùng khó khăn. Để thực sự khai thác lợi ích của máy tính lượng tử, cần có những cải tiến đáng kể về mặt quy mô, độ chính xác, tốc độ, độ tin cậy và khả năng lập trình. Cần có những công cụ mang tính đột phá và ứng dụng cao để biến những rào cản kỹ thuật này trở nên dễ dàng, giúp khai thác tiềm năng của máy tính lượng tử.
Trí tuệ nhân tạo (AI) xuất hiện những năm gần đây đang dần thay đổi cách chúng ta nhìn nhận về công nghệ, định hình lại các ngành công nghiệp và thay đổi cách con người tương tác với thế giới số. Từ cá nhân hoá dịch vụ chăm sóc sức khỏe đến xe tự hành, khả năng khai thác dữ liệu và tạo sinh của của AI đã mở ra một kỷ nguyên mới với các giải pháp đột phá, có thể giải quyết các thách thức mà xã hội đang phải đối mặt. Thậm chí, AI đang dẫn đầu cuộc cách mạng công nghệ mới nếu kết hợp cùng máy tính lượng tử.
Bài viết này sẽ cùng khám phá 3 khía cạnh chính của máy tính lượng tử khi tích hợp AI: bộ xử lý, phát hiện sửa lỗi, các thuật toán điển hình, đồng thời giới thiệu cách máy tính lượng tử hỗ trợ tối ưu hoá khả năng đào tạo, huấn luyện AI.
1. Cải thiện bộ xử lý lượng tử
Bộ xử lý lượng tử (Quantum Processing Units – QPUs) là những kiệt tác của vật lý và kỹ thuật, bao gồm nhiều hệ thống tinh chỉnh phức tạp để bảo vệ và điều khiển các bit lượng tử (qubits). Các qubit vô cùng nhạy cảm, chỉ cần một nguồn nhiễu nhỏ cũng có thể làm hỏng toàn bộ quá trình tính toán. Việc kiểm soát tối ưu là yếu tố then chốt khi vận hành bộ xử lý lượng tử, đảm bảo rằng mọi thao tác trên qubit đều được thực hiện theo cách giảm thiểu nhiễu tối đa. AI là một công cụ quan trọng trong việc xác định các chuỗi điều khiển tối ưu, nhằm mang lại kết quả tốt nhất từ bộ xử lý lượng tử.
Một nghiên cứu nền tảng được giới thiệu với chủ đề “Tăng tốc Kiểm soát Tối ưu Lượng tử thông qua Phân biệt Tự động dựa trên GPU” đã lần đầu tiên chứng minh được sự hữu ích của GPU trong việc tăng tốc độ phân biệt tự động cho kiểm soát tối ưu lượng tử. Kết quả này giúp tăng tốc độ xử lý của GPU lên gấp 19 lần, nhờ đó tối ưu hóa quá trình chuẩn bị trạng thái GHZ với 10 qubit. Điều này mở ra một nghiên cứu mới, tập trung vào việc“Kiểm soát Lượng tử Không Mô hình với Học Tăng cường”, nhằm khám phá ứng dụng của học tăng cường (reinforcement learning) trong việc giải quyết các bài toán kiểm soát tối ưu lượng tử.
AI cũng đã được áp dụng vào nhiều khía cạnh khác trong quá trình vận hành thiết bị lượng tử, như hiệu chuẩn và đọc qubit, chứng minh khả năng của nó trong việc giảm nhiễu từ nhiều nguồn cùng lúc trong quá trình hoạt động.
2. Sửa lỗi từ qubit nhiễu
Ngay cả những bộ xử lý phần cứng lượng tử tiên tiến nhất cũng khó tránh khỏi việc qubit bị nhiễu, khiến chúng không đáp ứng được yêu cầu cần thiết để chạy các thuật toán phức tạp. Giải pháp lý thuyết cho vấn đề này là sửa lỗi lượng tử—một quy trình giúp loại bỏ lỗi trong quá trình tính toán lượng tử và đảm bảo kết quả chính xác.
Quy trình sửa lỗi lượng tử bao gồm nhiều bước phức tạp như mã hóa thông tin lượng tử thành các qubit logic (bao gồm nhiều qubit vật lý có nhiễu), thực hiện các thao tác thuật toán trên qubit logic, phát hiện lỗi (nếu có), và sửa chữa lỗi tương ứng. Mỗi bước này đều cần được thực hiện một cách hiệu quả để đảm bảo rằng lỗi được sửa kịp thời, và quá trình tính toán hoàn thành trước khi thông tin lượng tử bị mất hoặc hỏng.
Các nhà nghiên cứu đang dần nhận ra rằng tốc độ, khả năng mở rộng, và khả năng nhận diện các mẫu phức tạp của AI là công cụ lý tưởng để hỗ trợ nhiều phần trong quy trình sửa lỗi lượng tử. Ví dụ, một nhóm nghiên cứu từ Viện Max Planck và Đại học Friedrich Alexander tại Đức đã sử dụng học tăng cường để khám phá các mã sửa lỗi lượng tử mới và các bộ mã hóa tương ứng.
Bước giải mã cũng là một mục tiêu hứa hẹn của AI. Google đã thực hiện nghiên cứu cho thấy mạng nơ-ron hồi quy dựa trên transformer có thể được sử dụng để giải mã một mã sửa lỗi lượng tử chuẩn, được gọi là surface code.
3. Phát triển các thuật toán lượng tử hiệu quả
Giảm độ phức tạp của mạch lượng tử là một phần thiết yếu trong quy trình tính toán lượng tử, giúp đảm bảo rằng các thuật toán được tối ưu hóa về mặt hiệu suất và tiêu tốn ít tài nguyên nhất có thể. Đây là một mục tiêu cực kỳ khó khăn, thường đòi hỏi việc giải quyết các bài toán tối ưu hóa phức tạp. Độ phức tạp càng tăng khi thuật toán được cho một thiết bị vật lý cụ thể với các ràng buộc đặc biệt như cấu trúc qubit.
Vấn đề này quan trọng đến mức nhiều “ông lớn” trong hệ sinh thái máy tính lượng tử đã hợp tác để tìm kiếm các phương pháp giảm mạch lượng tử bằng AI. Ví dụ, Google DeepMind, Quantinuum và Đại học Amsterdam đã cùng nhau phát triển các phương pháp AI nhằm giảm số lượng T-gates tiêu tốn nhiều tài nguyên trong một mạch lượng tử. Kết quả cho thấy AI có thể mang lại những cải tiến đáng kể so với các kỹ thuật giảm T-gate tiên tiến nhất hiện nay trên một tập hợp các mạch lượng tử phổ biến.
Khi thiết kế các thuật toán cho máy tính lượng tử, một trong những thách thức lớn là làm thế nào để thực hiện tốt một số bước nhỏ, chẳng hạn như chuẩn bị dữ liệu cần thiết (trạng thái lượng tử). Có một số thuật toán có thể chạy nhanh hơn so với các phương pháp truyền thống, nhưng chúng yêu cầu rằng dữ liệu ban đầu đã được chuyển đổi sang dạng mà máy tính lượng tử có thể hiểu. Thế nhưng, việc chuẩn bị dữ liệu cho máy tính lượng tử lại không hề đơn giản, mà thực sự rất khó khăn và cần nhiều công sức.
Hóa học là một ví dụ điển hình, nơi cần phải chuẩn bị một trạng thái lượng tử phân tử tốt trước khi có thể tính toán năng lượng của nó. Một dự án hợp tác giữa Bệnh viện Nghiên cứu Trẻ em St. Jude, Đại học Toronto, và NVIDIA đã phát triển một phương pháp sử dụng mô hình GPT (generative pretrained transformer) để chuẩn bị trạng thái phân tử. Đây là lần đầu tiên GPT được ứng dụng vào thiết kế thuật toán lượng tử và có thể được mở rộng cho nhiều lĩnh vực khác ngoài hóa học.
4. Cách tính toán lượng tử nâng cao khả năng của AI
Ngược lại, tính toán lượng tử đại diện cho một bước nhảy vọt lớn về sức mạnh xử lý, với tiềm năng tăng tốc và nâng cao đáng kể khả năng của Trí tuệ Nhân tạo (AI) trong các giai đoạn huấn luyện và suy luận. Việc tích hợp tính toán lượng tử vào AI, được gọi là Trí tuệ Nhân tạo Lượng tử (QAI), áp dụng các nguyên tắc của cơ học lượng tử để cải tiến các thuật toán AI truyền thống, có khả năng khắc phục những hạn chế lớn mà các hệ thống máy tính cổ điển đang gặp phải. Lợi ích của tính toán lượng tử mang lại cho AI không chỉ ở giai đoạn huấn luyện mà còn ở cả giai đoạn suy luận:
- Huấn luyện: Các thuật toán máy học lượng tử như mạng nơ-ron lượng tử và máy vector hỗ trợ lượng tử (quantum support vector machines) đang được phát triển. Những thuật toán này nhằm khai thác sức mạnh của các trạng thái lượng tử để xử lý thông tin nhanh hơn nhiều so với các thuật toán cổ điển. Các mô hình máy học, đặc biệt là mạng học sâu (deep learning), đòi hỏi một lượng lớn dữ liệu và sức mạnh tính toán để huấn luyện. Tính toán lượng tử có thể giảm đáng kể thời gian huấn luyện bằng cách thực hiện các phép tính song song và khám phá nhiều cấu hình tham số cùng lúc.
- Suy luận: Trong AI, suy luận là quá trình áp dụng các mô hình đã được huấn luyện vào dữ liệu mới để đưa ra dự đoán hoặc quyết định. Tính toán lượng tử có thể giúp đưa ra kết quả nhanh hơn và chính xác hơn. Tính song song vốn có của các trạng thái lượng tử cho phép máy tính lượng tử đánh giá nhiều khả năng cùng lúc, giúp cải thiện tốc độ và sự tinh vi trong quá trình ra quyết định của các hệ thống AI.
5. Khám phá AI trong tính toán lượng tử
Giá trị mà tính toán siêu máy tính tăng tốc bằng lượng tử mang lại cho các nhà khoa học, chính phủ và doanh nghiệp chỉ có thể được khai thác toàn diện khi kết hợp với sức mạnh của AI. Điều này ngày càng trở nên rõ ràng hơn và đang thúc đẩy sự hợp tác mạnh mẽ hơn giữa các chuyên gia AI và lượng tử.
Để AI phát huy hiệu quả trong việc phát triển tính toán lượng tử, cần có các công cụ mới khuyến khích sự hợp tác đa ngành, tối ưu hóa cao cho từng nhiệm vụ tính toán lượng tử và tận dụng tối đa khả năng tính toán lai (hybrid compute) có sẵn trong hạ tầng siêu máy tính tăng tốc bằng lượng tử.
Tuy nhiên, điều quan trọng cần lưu ý là mặc dù những lợi thế lý thuyết của tính toán lượng tử trong AI rất rõ ràng, nhưng việc ứng dụng thực tế vẫn còn ở giai đoạn đầu. Thế hệ máy tính lượng tử hiện tại vẫn chưa đủ mạnh để vượt qua máy tính cổ điển trong hầu hết các nhiệm vụ thực tế. Các nhà nghiên cứu đang tích cực khám phá những tình huống mà máy học lượng tử có thể mang lại lợi thế rõ rệt hơn so với các phương pháp cổ điển.
(Nguồn: NVIDIA Developer, Medium)
