尽管量子计算机可以解决目前传统计算机无法解决的问题,但它对环境的微小变化非常敏感,也更容易出错。
为加速量子计算技术和应用的发展,亚马逊云科技在2019年推出亚马逊云科技量子计算中心。亚马逊云科技日前在美国加州理工学院 (Caltech)建设了一个新的量子计算中心,致力于构建“容错”量子计算机。该中心的团队成员将专注于开发更强大的量子计算硬件,并发现量子技术的新应用。
亚马逊云科技量子计算中心将致力于解决以下五大挑战:
第一:制作更多、更好的量子比特
传统计算机使用比特位(通常在代码中表示为 1 或 0 的值)作为最基本的信息单位。比特位可以是具有两种不同状态的任何东西。例如,打开或关闭的灯,或打开或关闭的门。但是量子计算机使用量子位或“qubits”(通常是电子或光子等基本粒子)进行计算。与比特位不同,量子位可以被操纵以存在于称为叠加态的量子状态中,可以同时为1和0,以及介于两者之间的所有可能状态。加上量子状态中量子位的其他一些同样令人费解的行为,量子计算机可以比任何当前或未来的传统计算机更高效地执行某些计算。亚马逊云科技量子计算中心团队将使用超导材料构建量子位,例如在硅基芯片上通过铝图案化成电子电路。让更多人理解制造这些的技术,将有希望以可重复的方式规模化制造更多的量子比特。
第二:降低噪音。
量子位存在于量子状态的能力让量子计算机在执行某些计算时比传统计算机拥有更强大的潜力。但是让量子位保持这种状态是非常具有挑战的。即使是环境中最微小的变化(被量子科学家称为“噪音”),例如振动或热量,也会使它们脱离叠加态,导致其丢失信息并变得更容易出错。构建成功的量子计算机的关键在于控制这些错误。亚马逊云科技将通过改进材料来降低噪音,例如在超导体表面每次制备一个原子层,最大限度地减少缺陷。
第三:开发更大的量子计算机。
构建量子计算机最具挑战性的一个方面是如何进行扩展。为了超越传统计算机已经可以实现的成就,它们需要比当前的机器大得多。今天的量子计算机“嘈杂”且容易出错。量子研究人员的目标是从少数嘈杂的量子位扩展到具有数百甚至数千个极低噪音量子位的机器。新成立的亚马逊云科技量子计算中心将致力于不断推动量子研究和开发,包括用于支持更大量子设备所需的技术,例如保护设备免受热噪声影响的低温冷却系统,以及构建新形式量子电路所需的纳米级制造工具。
第四:降低纠错成本。
除了在降低噪音方面进行创新,亚马逊云科技还将致力于在量子计算硬件中构建纠错功能,使用冗余的物理量子位集形成“逻辑”量子位,这些量子位编码量子信息,可用于检测和纠正错误。由于生成逻辑量子位需要大量物理硬件,因此以这种方式执行纠错通常非常昂贵且需要大量资源。亚马逊云科技正在研究通过设计更有效的方法,以更低的成本在量子硬件中实施纠错。
第五:时钟提速
构建可用的量子计算机不仅仅需要增加量子比特的数量。另一个重要的指标是计算机的时钟速度,或准确执行“量子门操作”所需的时间。(量子门本质上是量子电路的组建——量子计算机进行计算的模型。)这就是超导量子位提供优势的领域,因为它们更容易加速量子门。亚马逊云科技试图构建更好的量子位,而这成功的最终衡量标准是它可以在多大程度上加快时钟速度同时减少量子门错误。
亚马逊云科技量子计算中心
亚马逊云科技量子计算中心汇集了来自亚马逊、美国加州理工学院和其他顶级学术研究机构的量子计算专家。为支持未来的量子科学家,该中心还为学生和青年教职工提供奖学金和培训机会。
该中心的最终目标是构建一种全新类型的计算机:一种容错的量子机器。这种机器能够在计算精度上超越经典计算技术,同时,能够具有足够大的规模来解决复杂问题,进而对我们的生活和工作产生巨大影响。
好文章,需要你的鼓励
是德科技高级副总裁兼通信解决方案事业部总裁Kailash Narayanan现场指出,算力固然重要,但如果能耗过高,技术的实用性将大打折扣,因此,所有的高速、高性能计算,都必须在极低的功耗下实现,这是AI等技术能否大规模落地的核心前提。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
来自上海交通大学和浙江大学等机构的研究团队开发出首个AI"记忆操作系统"MemOS,解决了AI系统无法实现人类般持久记忆和学习的根本限制。该系统将记忆视为核心计算资源进行调度、共享和演化,在时间推理任务中相比OpenAI记忆系统性能提升159%。MemOS采用三层架构设计,通过标准化记忆单元实现跨平台记忆迁移,有望改变企业AI部署模式。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。