Một nhóm các nhà nghiên cứu đã đạt được bước đột phá quan trọng trong lĩnh vực điện toán lượng tử khi thành công trong việc mô phỏng mạch lượng tử Sycamore 53-qubit của Google bằng cách sử dụng 1.432 GPU NVIDIA A100 cùng với các thuật toán song song được tối ưu hóa cao. Thành tựu này đặt ra câu hỏi về tuyên bố “ưu thế lượng tử” mà Google đã công bố vào năm 2019, khi họ cho rằng máy tính mạnh nhất thế giới sẽ cần khoảng 10.000 năm để hoàn thành tính toán tương tự.
Trung tâm của thành tựu này là việc áp dụng các kỹ thuật co mạng tensor tiên tiến, cho phép ước tính hiệu quả xác suất đầu ra của các mạch lượng tử phức tạp. Nhóm nghiên cứu đã triển khai chiến lược “slicing” sáng tạo để chia mạng tensor đầy đủ thành các phần nhỏ hơn, dễ quản lý hơn, giúp giảm đáng kể yêu cầu bộ nhớ trong khi vẫn duy trì hiệu quả tính toán tối đa.
Google vẫn tự hào rằng cỗ máy tính lượng tử của họ có thể giải được “bài toán 10.000 năm” chỉ trong 5 phút
Một trong những đổi mới quan trọng nhất của nhóm nghiên cứu là việc sử dụng phương pháp lấy mẫu “top-k”, chỉ chọn các chuỗi bit có xác suất cao nhất từ đầu ra mô phỏng. Phương pháp này đã cải thiện đáng kể điểm chuẩn entropy chéo tuyến tính (XEB) – một thước đo quan trọng về độ chính xác của mô phỏng so với hành vi lượng tử dự kiến. Phương pháp này không chỉ tăng độ chính xác của mô phỏng mà còn giảm tải tính toán, làm cho quá trình nhanh hơn và có khả năng mở rộng tốt hơn.
Để xác minh độ tin cậy của thuật toán, các nhà nghiên cứu đã tiến hành các thử nghiệm số với các mạch ngẫu nhiên quy mô nhỏ hơn, bao gồm mạch cổng 30-qubit, 14 lớp. Kết quả cho thấy sự phù hợp tuyệt vời với các giá trị XEB được dự đoán về mặt lý thuyết cho các kích thước mạng con co rút tensor khác nhau, chứng minh rằng phương pháp của họ có độ chính xác cao và hiệu quả.
Lược đồ của một mạch ngẫu nhiên lượng tử.
Nghiên cứu cũng nhấn mạnh các chiến lược tối ưu hóa yêu cầu tài nguyên co rút tensor. Bằng cách tinh chỉnh thứ tự của các chỉ số tensor và giảm thiểu giao tiếp giữa các GPU, nhóm nghiên cứu đã đạt được những cải tiến đáng kể về hiệu quả tính toán. Chiến lược này cũng chứng minh, dựa trên các ước tính độ phức tạp, rằng việc tăng dung lượng bộ nhớ – như 80GB, 640GB và 5120GB – có thể giảm đáng kể độ phức tạp thời gian tính toán.
Mặc dù thành tựu này là một bước tiến đáng kể, nhưng điều quan trọng cần lưu ý là việc mô phỏng này không có nghĩa là máy tính cổ điển có thể hoàn toàn thay thế máy tính lượng tử. Khi số lượng qubit tăng lên, chẳng hạn như từ 53 lên 100, tài nguyên cần thiết cho mô phỏng cổ điển sẽ tăng theo cấp số nhân do bản chất căn bản của lượng tử – mỗi qubit thêm vào làm tăng gấp đôi không gian trạng thái cần mô phỏng.
Hơn nữa, một số thuật toán được thiết kế đặc biệt cho máy tính lượng tử, như thuật toán Shor để phân tích thừa số số lớn hoặc thuật toán Grover để tìm kiếm, vẫn sẽ có lợi thế vượt trội so với thuật toán cổ điển khi số lượng qubit đủ lớn. Hệ thống 1.432 GPU A100 cũng tiêu thụ rất nhiều điện năng và có chi phí cao, trong khi máy tính lượng tử trong tương lai có thể tiết kiệm năng lượng hơn cho một số tác vụ cụ thể.
So sánh hiệu năng mô phỏng giữa với số lượng GPU tăng dần so với máy tính lượng tử Sycamore của Google
Đột phá này thiết lập một chuẩn mực mới cho các mô phỏng cổ điển của máy tính lượng tử nhiều qubit và giới thiệu các công cụ và phương pháp luận đổi mới cho nghiên cứu điện toán lượng tử trong tương lai. Thành tựu này không phủ nhận tiềm năng của máy tính lượng tử, mà là một phần của cuộc đua công nghệ đang diễn ra giữa điện toán cổ điển và lượng tử, với ranh giới giữa hai lĩnh vực này liên tục được định nghĩa lại khi cả hai tiếp tục phát triển.
Việc tiếp tục tinh chỉnh thuật toán và tối ưu hóa tài nguyên tính toán hứa hẹn sẽ mang lại những tiến bộ đáng kể trong việc mô phỏng các mạch lượng tử lớn hơn với nhiều qubit hơn. Tuy nhiên, máy tính lượng tử vẫn giữ tiềm năng to lớn cho những bài toán mà máy tính cổ điển có thể không bao giờ giải quyết hiệu quả khi số lượng qubit tăng lên đáng kể trong những năm tới.
Đối với cộng đồng khoa học, thành tựu này không chỉ là một cột mốc quan trọng trong khả năng mô phỏng lượng tử, mà còn là công cụ quý giá để kiểm chứng kết quả từ máy tính lượng tử thực, giúp phát hiện lỗi và cải thiện thiết kế máy tính lượng tử trong tương lai. Đây là minh chứng cho sức mạnh của sự đổi mới thuật toán và việc tận dụng hiệu quả sức mạnh tính toán song song hiện đại.
(Theo scitechdaily)
Nguồn tin: https://genk.vn/chi-dung-gpu-nvidia-cac-nha-khoa-hoc-giai-duoc-bai-toan-10000-nam-chung-minh-suc-manh-luong-tu-cua-google-khong-he-tuyet-doi-20250426210228291.chn
