คำถามที่พบบ่อยเกี่ยวกับ Amazon Braket

Amazon Braket Software Development Kit (SDK) เป็นเฟรมเวิร์กสำหรับนักพัฒนาที่ไม่ยึดติดกับเทคโนโลยีตัวใดตัวหนึ่งซึ่งช่วยให้คุณพัฒนาอัลกอริทึมควอนตัมและเรียกใช้บนตัวจำลองและฮาร์ดแวร์การประมวลผลแบบควอนตัมต่างๆ ได้ผ่านบริการ Amazon Braket SDK ช่วยคุณติดตามและตรวจสอบงานควอนตัมที่ส่งไปยัง Amazon Braket และประเมินผลลัพธ์ Amazon Braket SDK ประกอบด้วยตัวจำลองวงจรควอนตัมภายในซึ่งคุณสามารถใช้ทดสอบอัลกอริทึมของคุณได้

Amazon Braket มีสมุดบันทึก Jupyter ที่มีการจัดการเต็มรูปแบบซึ่งติดตั้งมาพร้อมกับ Amazon Braket SDK และตัวอย่างบทแนะนำสอนการใช้งานที่ช่วยให้คุณเริ่มต้นได้อย่างรวดเร็ว Amazon Braket SDK เป็นแบบโอเพนซอร์สเพื่อให้คุณสามารถใช้ Amazon Braket จากสภาพแวดล้อมสำหรับการพัฒนาแบบเบ็ดเสร็จ (IDE) ที่คุณโปรดปราน

คอมพิวเตอร์ควอนตัมในปัจจุบันมีเสียงดัง และนักวิจัยมักต้องการเข้าถึงระดับการควบคุมฮาร์ดแวร์ที่ต่ำที่สุดเพื่อศึกษาเสียงรบกวนหรือการพูดคุยแบบไขว้ พัฒนาเกตใหม่และมีประสิทธิภาพมากขึ้น วางแผนลดข้อผิดพลาด และสำรวจอัลกอริธึมควอนตัมแบบใหม่ ด้วยการควบคุมพัลส์ คุณสามารถควบคุมสัญญาณแอนะล็อกหรือพัลส์ระดับต่ำที่ควบคุมคิวบิตของตัวประมวลผลควอนตัม  

ใช่ คุณสามารถตั้งโปรแกรมวงจรควอนตัมบนคอมพิวเตอร์ควอนตัมของ Rigetti Computing และ Oxford Quantum Circuits ได้โดยตรงโดยใช้เกต พัลส์ หรือทั้งสองอย่างรวมกัน คุณยังสามารถเลือกแทรกบล็อกของคำสั่งพัลส์ในพื้นที่เฉพาะของโปรแกรมเพื่อมุ่งเน้นที่การปรับการทำงานแต่ละอย่างให้เหมาะสมและประสิทธิภาพการปรับแต่งอย่างละเอียด 

PennyLane เป็นไลบรารีซอฟต์แวร์โอเพนซอร์สสำหรับการประมวลผลเชิงควอนตัมแบบผันแปรที่ผสานรวมกับ Amazon Braket การประมวลผลเชิงควอนตัมแบบผันแปรเป็นกระบวนทัศน์ที่ใช้อัลกอริทึมควอนตัมคลาสสิกแบบไฮบริดเพื่อค้นหาวิธีแก้ปัญหาการคำนวณซ้ำๆ ในโดเมนต่างๆ เช่น เคมี การเพิ่มประสิทธิภาพ และ Machine Learning ควอนตัม PennyLane สร้างขึ้นจากแนวคิดของการเขียนโปรแกรมที่แตกต่างทางควอนตัม โดยช่วยให้คุณสามารถฝึกวงจรควอนตัมแบบเดียวกับนิวรัลเน็ตเวิร์คได้ ซึ่งมีอินเทอร์เฟซให้กับไลบรารีแมชชีนเลิร์นนิ่งยอดนิยม รวมถึง PyTorch และ TensorFlow เพื่อให้การฝึกอัลกอริทึมควอนตัมของคุณง่ายดายและใช้งานได้ง่าย คุณสามารถเรียนรู้เพิ่มเติมเกี่ยวกับ PennyLane ได้ที่ https://pennylane.ai และอ่านคู่มือสำหรับนักพัฒนาของเราได้ที่นี่ 

แอปพลิเคชันการประมวลผลแบบควอนตัมระยะใกล้ในเชิงเคมี การเพิ่มประสิทธิภาพ และแมชชีนเลิร์นนิงควอนตัมจะขึ้นอยู่กับอัลกอริทึมควอนตัมแบบผันแปรที่ใช้การประมวลผลซ้ำระหว่างคอมพิวเตอร์ดั้งเดิมกับควอนตัม PennyLane ทำให้ง่ายต่อการเริ่มต้นและสร้างอัลกอริทึมแบบผันแปรและ Machine Learning ควอนตัมบน Amazon Braket ซึ่งอนุญาตให้คุณใช้เครื่องมือที่คุ้นเคยจาก Machine Learning เพื่อสร้างและฝึกฝนอัลกอริทึมของคุณ PennyLane ให้บริการไลบรารีเคมี qchem ซึ่งคุณสามารถใช้เพื่อแมปปัญหาเคมีการคำนวณเป็นสูตรการประมวลผลควอนตัมได้ด้วยโค้ดไม่กี่บรรทัด

Amazon Braket ช่วยให้คุณสร้างสรรค์สิ่งใหม่ๆ ได้เร็วขึ้นด้วย PennyLane เมื่อทำการทดสอบและปรับแต่งอัลกอริทึมของคุณอย่างละเอียด ตัวจำลองแบบตามความต้องการประสิทธิภาพสูงที่มีการจัดการเต็มรูปแบบของเราจะเร่งความเร็วในการฝึกฝนถึง 10 เท่าหรือมากกว่าเมื่อเทียบกับการจำลองอัลกอริทึมในเครื่องของคุณ  หากต้องการเพิ่มความเร็วให้กับอัลกอริทึมควอนตัมแบบไฮบริด ตอนนี้คุณสามารถใช้ประโยชน์จากตัวจำลองแบบฝังตัวประสิทธิภาพสูงจาก PennyLane เช่น ตัวจำลอง lightning.gpu ที่เร่งประสิทธิภาพด้วย cuQuantum SDK ของ NVIDIA สำหรับเวิร์กโหลดที่ใช้ GPU โดยตัวจำลองเหล่านี้มาพร้อมกับวิธีการต่างๆ เช่น วิธีการแบบผูกพันสำหรับการประมวลผลเกรเดียนต์ ซึ่งลดจำนวนวงจรที่จำเป็นในการประมวลผลเกรเดียนต์ และสามารถใช้สำหรับการทดลองและการสร้างต้นแบบซ้ำได้อย่างรวดเร็ว 

Amazon Braket Notebooks มีการกำหนดค่าล่วงหน้าด้วย PennyLane และโน้ตบุ๊คบทช่วยสอนของเราก็สามารถช่วยให้คุณเริ่มต้นได้อย่างรวดเร็ว หรือคุณสามารถติดตั้งปลั๊กอิน Amazon Braket PennyLane สำหรับ IDE ที่คุณเลือกได้ ปลั๊กอินเป็นแบบโอเพนซอร์สและสามารถดาวน์โหลดได้ที่นี่ คุณสามารถดูเอกสารประกอบของ PennyLane ได้ที่ https://pennylane.ai  

OpenQASM คือรูปแบบการแทนในระยะกลาง (Intermediate Representation - IR) แบบโอเพนซอร์สสำหรับโปรแกรมการประมวลผลแบบควอนตัม คุณสามารถเรียกใช้โปรแกรม OpenQASM บนอุปกรณ์ Braket ที่ใช้เกตได้ทั้งหมด ไม่ว่าโดยผ่าน Amazon Braket SDK หรือโดยการส่งโปรแกรมไปยัง Braket API โดยตรง AWS เข้าร่วมสภาอำนวยการของ OpenQASM เพื่อช่วยสร้างข้อมูลจำเพาะแบบเปิดที่ไม่ขึ้นอยู่กับฮาร์ดแวร์และเป็นแบบรวมศูนย์สำหรับโปรแกรมควอนตัมที่ใช้เกต 

การลดข้อผิดพลาดครอบคลุมไปถึงวิธีการต่างๆ ในการลดผลกระทบของสัญญาณรบกวนอย่างเป็นระบบในฮาร์ดแวร์ที่เกิดข้อผิดพลาดได้ง่ายในปัจจุบัน โดยจับคู่วงจรอินพุตเข้ากับชุดของวงจรที่เกี่ยวข้องและประยุกต์ใช้การประมวลผลภายหลังแบบคลาสสิกกับผลลัพธ์

ใช่ คุณสามารถทำการทดลองลดข้อผิดพลาดบน IonQ Aria QPU ได้โดยใช้เทคนิคการลดอคติของ IonQ โปรดทราบว่าการลดข้อผิดพลาดประเภทนี้ต้องใช้อย่างน้อย 2,500 ช็อตต่องาน

ตัวจำลองวงจรควอนตัมทำงานบนคอมพิวเตอร์แบบดั้งเดิม ตัวจำลองช่วยให้คุณสามารถทดสอบอัลกอริทึมควอนตัมได้ในราคาที่ต่ำกว่าการใช้ฮาร์ดแวร์ควอนตัม และไม่ต้องรอเพื่อเข้าถึงเครื่องควอนตัมโดยเฉพาะ การจำลองเป็นวิธีที่สะดวกในการแก้ไขข้อบกพร่องวงจรควอนตัม รวมถึงแก้ไขปัญหาและเพิ่มประสิทธิภาพของอัลกอริทึมได้อย่างรวดเร็วก่อนที่จะเริ่มต้นเรียกใช้อัลกอริทึมของฮาร์ดแวร์ควอนตัม นอกจากนี้ การจำลองแบบคลาสสิกยังเป็นสิ่งสำคัญต่อการตรวจสอบผลลัพธ์ของฮาร์ดแวร์การประมวลผลแบบควอนตัมในระยะใกล้และต่อการศึกษาผลกระทบของสัญญาณรบกวนอีกด้วย

Amazon Braket มีตัวจำลองวงจรควอนตัมสี่แบบ ประกอบด้วยตัวจำลองหนึ่งตัวภายในเครื่องใน SDK และตัวจำลองแบบตามความต้องการสามตัว ได้แก่ ตัวจำลองวงจรควอนตัมเอนกประสงค์ SV1, DM1 ซึ่งให้คุณจำลองผลกระทบของสัญญาณรบกวนในวงจร และ TN1 ซึ่งเป็นตัวจำลองเครือข่ายเทนเซอร์ประสิทธิภาพสูง ด้วยตัวเลือกเหล่านี้ คุณจึงสามารถเลือกแนวทางที่เหมาะกับความต้องการของคุณได้มากที่สุด

ตัวจำลองภายในเครื่องมีรวมอยู่ใน Amazon Braket SDK โดยไม่มีค่าใช้จ่าย โดยสามารถทำงานได้บนแล็ปท็อปหรือภายในโน้ตบุ๊คที่มีการจัดการโดย Amazon Braket คุณสามารถใช้ตัวจำลองนี้เพื่อตรวจสอบการออกแบบวงจรได้อย่างรวดเร็ว ตัวจำลองนี้เหมาะสมเป็นอย่างยิ่งสำหรับการจำลองขนาดเล็กและขนาดกลาง – สูงสุดถึง 25 คิวบิตเมื่อไม่มีสัญญาณรบกวนและ 12 คิวบิตเมื่อมีสัญญาณรบกวน ขึ้นอยู่กับฮาร์ดแวร์ของคุณ

SV1 เป็นตัวจำลองเวกเตอร์สถานะประสิทธิภาพสูงที่มีการจัดการอย่างเต็มรูปแบบสำหรับวงจรควอนตัมสูงสุดถึง 34 คิวบิต ด้วยตัวจำลองเวกเตอร์สถานะ จะใช้ฟังก์ชันเวฟเต็มของสถานะควอนตัมและใช้การทำงานของวงจรเพื่อคำนวณผลลัพธ์ หลังจากที่คุณออกแบบและแก้ไขข้อบกพร่องในอัลกอริทึมควอนตัมของคุณโดยใช้ตัวจำลองภายในเครื่องใน Amazon Braket SDK แล้ว คุณสามารถใช้ SV1 สำหรับการทดสอบและวิจัยที่มีการปรับขนาดได้ SV1 จะปรับขนาดทรัพยากรการประมวลผลแบบดั้งเดิมโดยอัตโนมัติเพื่อให้คุณสามารถเรียกใช้การจำลองได้สูงสุดถึง 35 รายการควบคู่กันไป

DM1 เป็นตัวจำลองเมทริกซ์ความหนาแน่นที่มีการจัดการอย่างเต็มรูปแบบซึ่งให้คุณสามารถตรวจสอบผลกระทบของสัญญาณรบกวนตามจริงในอัลกอริทึมควอนตัมของคุณ ซึ่งสามารถช่วยให้คุณพัฒนากลยุทธ์สำหรับการลดข้อผิดพลาดเพื่อให้ได้ผลลัพธ์ที่แม่นยำยิ่งขึ้นจากอุปกรณ์ประมวลผลเชิงควอนตัมในปัจจุบัน

DM1 รองรับการจำลองของวงจรสูงสุดถึง 17 คิวบิต โดยสามารถเรียกใช้การจำลองได้สูงสุดถึง 35 รายการควบคู่กันไปเพื่อเร่งความเร็วในการทดลอง คุณสามารถใช้ตัวจำลองสัญญาณรบกวนในเครื่องบน Amazon Braket SDK ได้สำหรับการสร้างต้นแบบและการแก้ไขข้อบกพร่องก่อนการใช้ DM1

TN1 เป็นตัวจำลองเครือข่ายเทนเซอร์ประสิทธิภาพสูงที่มีการจัดการอย่างเต็มรูปแบบซึ่งใช้สำหรับวงจรควอนตัมแบบมีโครงสร้างซึ่งมีขนาดสูงสุด 50 คิวบิต ตัวจำลองเครือข่ายเทนเซอร์จะเข้ารหัสวงจรควอนตัมเป็นกราฟแบบมีโครงสร้างเพื่อหาวิธีที่ดีที่สุดในการประมวลผลลัพธ์ของวงจร TN1 เหมาะสมเป็นอย่างยิ่งสำหรับการจำลองวงจรกระจัดกระจาย วงจรที่มีเกตภายในเครื่อง และวงจรอื่นๆ ที่มีโครงสร้างในตัวเอง

SV1 เป็นตัวจำลองอเนกประสงค์ที่อิงตามเทคโนโลยีเวกเตอร์สถานะ ซึ่งจะให้การดำเนินการที่คาดเดาได้และประสิทธิภาพสูงสำหรับวงจรสากลสูงสุดถึง 34 คิวบิต

DM1 ออกแบบมาเป็นพิเศษเพื่อรองรับการทำโมเดลสัญญาณรบกวน ใช้ DM1 หากคุณต้องการศึกษาอัลกอริทึมของคุณเมื่ออยู่ภายใต้ผลกระทบของสัญญาณรบกวนในรูปแบบต่างๆ

TN1 เป็นตัวจำลองแบบพิเศษสำหรับวงจรควอนตัมบางประเภทสูงสุดถึง 50 คิวบิต โดยใช้สำหรับวงจรกระจัดกระจาย วงจรที่มีเกตภายในเครื่อง และวงจรอื่นๆ ที่มีโครงสร้างในตัวเอง ทั้งนี้วงจรประเภทอื่นๆ เช่น วงจรที่มีการเชื่อมต่อแบบ All-to-All ระหว่างคิวบิตมักจะเหมาะกับ SV1 มากกว่า

อุปกรณ์ควอนตัมในปัจจุบันมักมีสัญญาณรบกวนในตัวเอง ซึ่งในทุกการดำเนินงานมีโอกาสเกิดข้อผิดพลาดได้ ดังนั้น โดยทั่วไปแล้วผลลัพธ์ที่ได้รับจากคอมพิวเตอร์ควอนตัมจะแตกต่างจากสิ่งที่คาดหวังไว้ DM1 ให้คุณได้ศึกษาถึงเสถียรภาพของอัลกอริทึมภายใต้ผลกระทบของสัญญาณรบกวนตามจริง และสร้างกลยุทธ์สำหรับการลดข้อผิดพลาดซึ่งช่วยให้ได้ผลลัพธ์ที่แม่นยำยิ่งขึ้นด้วยอุปกรณ์การประมวลผลเชิงควอนตัมในปัจจุบัน

DM1 สามารถจำลองวงจรได้โดยที่ไม่มีสัญญาณรบกวน อย่างไรก็ตาม เพื่อให้ได้ประสิทธิภาพสูงสุด เราขอแนะนำให้ใช้ SV1 สำหรับการจำลองวงจรที่ไม่มีสัญญาณรบกวนในขนาดใหญ่

ไม่ต้อง หากคุณใช้ตัวจำลองแบบตามความต้องการของ Amazon Braket เมื่อใช้ SV1, TN1 หรือ DM1 แล้ว Amazon Braket จะจัดการซอฟต์แวร์และโครงสร้างพื้นฐานให้กับคุณ คุณมีหน้าที่เพียงทำให้วงจรทำงาน

หากคุณกำลังเรียกใช้ตัวจำลองภายในเครื่องใน SDK บนโน้ตบุ๊คที่มีการจัดการ Amazon Braket ของคุณ โปรแกรมจะทำงานบนอินสแตนซ์ของ Amazon ที่คุณได้ระบุไว้สำหรับโน้ตบุ๊คของคุณ

ตราบใดที่วงจรของคุณอยู่ในจำนวนคิวบิตและขีดจำกัดความลึกของวงจรที่อธิบายไว้ที่นี่ TN1 จะพยายามจำลองวงจรนั้น ในทางตรงกันข้าม SV1 จะไม่สามารถประมาณการรันไทม์ได้อย่างแม่นยำโดยพิจารณาจากจำนวนคิวบิตและความลึกของวงจรเพียงอย่างเดียว ในช่วงที่เรียกว่า "ระยะการซ้อม" TN1 จะพยายามระบุเส้นทางการประมวลผลที่มีประสิทธิภาพสำหรับวงจรของคุณก่อน และประมาณรันไทม์ของขั้นตอนถัดไป นั่นคือ "ระยะการลดขนาด" หากเวลาในการลดขนาดโดยประมาณเกินขีดจำกัด TN1 แล้ว TN1 จะไม่พยายามลดขนาดและคุณจะจ่ายเฉพาะเวลาที่ใช้ในขั้นตอนการซ้อมเท่านั้น หากต้องการเรียนรู้เพิ่มเติม โปรดไปที่เอกสารประกอบด้านเทคนิค

ไม่ ด้วย Amazon Braket คุณสามารถกำหนดให้วงจรควอนตัมเดียวกันทำงานบนตัวจำลองและฮาร์ดแวร์ควอนตัมแบบเกตที่มีอยู่ในบริการได้โดยการเปลี่ยนโค้ดเพียงสองสามบรรทัด

ใน AWS Marketplace คุณสามารถค้นหาข้อเสนอที่ใช้แนวทางแบบคลาสสิกที่ล้ำสมัยในการแก้ปัญหาการปรับให้เหมาะสมเชิงการจัด เช่น Meta Analytics และ Toshiba SBM 

การเรียกใช้การออกแบบวงจรของคุณบนหน่วยประมวลผลควอนตัม (QPU) จริงนั้นเป็นเรื่องง่าย เมื่อคุณสร้างวงจรหรือกราฟปัญหาใน Amazon Braket SDK แล้ว คุณสามารถส่งงานจากภายใน Jupyter Notebook ที่มีการจัดการหรือ IDE ที่คุณโปรดปราน เช่น PyCharm

ขั้นตอนในการเรียกใช้งานควอนตัมบน QPU จะเหมือนกับการทำงานบนโปรแกรมจำลอง คุณเพียงแค่เลือกแบ็คเอนด์หรืออุปกรณ์เมื่อทำการเรียกใช้ API ภายใน Amazon Braket SDK ทั้งคู่เป็นการดำเนินการประมวลผลที่คุณสามารถขอแบ็คเอนด์หรืออุปกรณ์ที่แตกต่างกันผ่านการเรียก API ภายใน Amazon Braket SDK ตัวเลือกของอุปกรณ์มีตัวจำลองและคอมพิวเตอร์ควอนตัมที่หลากหลายที่มีให้เลือกใช้ในการบริการ การเปลี่ยนจากอุปกรณ์หนึ่งไปยังอีกหนึ่งทำได้ง่ายเหมือนกับการเปลี่ยนโค้ดบรรทัดเดียว อย่างไรก็ตาม ตัวจำลองจะพร้อมใช้งานเสมอ ในขณะที่ทรัพยากร QPU อาจต้องใช้เวลารอ

คอมพิวเตอร์ควอนตัมบางประเภทเหมาะอย่างยิ่งกับการแก้ชุดปัญหาเฉพาะ มีหลายปัจจัยที่กำหนดว่าเครื่องประเภทใดที่เหมาะกับความต้องการของคุณ เช่น จำนวนคิวบิต ความแม่นยำของคิวบิต (อัตราข้อผิดพลาด) ความสามารถในการเชื่อมโยงคิวบิต เวลาเชื่อมโยง และต้นทุน ข้อมูลจำเพาะทั้งหมดของคอมพิวเตอร์ควอนตัมมีระบุไว้ใน Amazon Braket Console

โปรดคลิกที่นี่เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับผู้ให้บริการฮาร์ดแวร์ของ Amazon Braket 

Analog Hamiltonian Simulation (การจำลองแฮมิลโทเนียนแบบอะนาล็อก) หรือ AHS เป็นกระบวนทัศน์ที่แตกต่างออกไปของการคำนวณควอนตัม ซึ่งแตกต่างจากการคำนวณควอนตัมแบบใช้เกตแบบสากล อุปกรณ์ที่สามารถใช้ AHS ได้คือ QPU สำหรับวัตถุประสงค์พิเศษที่ออกแบบมาเพื่อแก้ชุดปัญหาที่จำกัด ซึ่งแสดงเป็นแฮมิลโทเนียน AHS ช่วยให้ผู้ใช้ระบุแฮมิลโทเนียนที่สนใจได้ และคอมพิวเตอร์ควอนตัมจะปรับแต่งพารามิเตอร์ในลักษณะที่เป็นการจำลองความสัมพันธ์ของเวลาอย่างต่อเนื่องของสถานะควอนตัมภายใต้แฮมิลโทเนียนนั้น เนื่องจากแฮมิลโทเนียนเหล่านี้ถูกนำไปใช้กับระบบโดยตรง ระบบ AHS จึงไม่ต้องเผชิญกับค่าใช้จ่ายที่จำเป็นในการสร้างอัลกอริทึมในแง่ของวงจรและเกต ดังนั้นจึงสามารถจำลองระบบได้ด้วยหลายร้อยคิวบิต ซึ่งห้ามไม่ให้จำลองแบบทั่วไป Amazon Braket รองรับ AHS ผ่าน QPU ของ QuEra

ไปที่หน้า QPU ของ Rigetti สำหรับข้อมูลระบบและประสิทธิภาพเกี่ยวกับ QPU ของ Rigetti รวมถึงความเที่ยงตรงของเกตและเวลาความสอดคล้อง

ไปที่หน้าเว็บแนวทางปฏิบัติที่ดีที่สุดของ IonQ สำหรับข้อมูลเกี่ยวกับโทโพโลยี เกต และแนวทางปฏิบัติที่ดีที่สุดสำหรับ QPU ของ IonQ

ระบบ QuEra เป็น QPU ที่ตั้งโปรแกรมได้ซึ่งประกอบด้วยอะตอมของ Rydberg ที่จัดเรียงในรูปแบบที่ปรับแต่งได้แบบสองมิติของคีมจับเชิงแสง คิวบิตในอุปกรณ์นี้ประกอบด้วยอะตอม Rubidium-87 ที่เป็นกลางโดยที่ทั้งสองสถานะเป็นสถานะพื้นของอะตอมและเป็นหนึ่งในสถานะ Rydberg กระตุ้นสูง ปฏิกิริยาระหว่างอะตอม Rydberg จะสลายตัวเป็นกำลังที่หกของระยะห่างระหว่างอะตอม ทำให้เกิดแฮมิลโทเนียนสปินที่มีประสิทธิโดยมีปฏิกิริยาภายใน นอกจากนี้ สนามเลเซอร์สามารถปรับแต่งสนามแม่เหล็กตามขวางเพื่อสร้างไดนามิกของสปินที่สนใจ ซึ่งสามารถสร้างสภาพพื้นที่ใหม่และสภาวะที่ไม่สมดุลได้ นักวิจัยที่เข้าถึงอุปกรณ์นี้ผ่าน Braket จะสามารถตั้งโปรแกรมเรขาคณิตของการจัดเรียงอะตอมแบบสองมิติ และปรับความแรงของสนามแม่เหล็กตามยาวและตามขวางได้ในลักษณะที่ขึ้นกับเวลา โดยทั้งหมดนี้ใช้ Braket SDK วิธีนี้จะทำให้เกิดแฮมิลโทเนียนที่มีประสิทธิภาพที่สนใจ ซึ่งเป็นความสัมพันธ์ของเวลาอย่างต่อเนื่องที่สามารถศึกษาบนอุปกรณ์ได้ สำหรับข้อมูลเพิ่มเติม โปรดดูแนวทางปฏิบัติที่ดีที่สุดของ QuEra ที่นี่

การประมวลผลแบบควอนตัมเป็นเทคโนโลยีเกิดใหม่และคอมพิวเตอร์ควอนตัมยังคงเป็นทรัพยากรหายาก คอมพิวเตอร์ควอนตัมประเภทต่างๆ มีลักษณะการทำงานและระดับความพร้อมใช้งานที่แตกต่างกัน ดังนั้นจึงประมวลผลงานในอัตราที่แตกต่างกัน หาก QPU ที่คุณเลือกกำลังออนไลน์และไม่ได้ใช้งานอยู่ งานของคุณจะถูกประมวลผลทันทีหรือมิฉะนั้นก็จะถูกจัดคิว เมื่อ QPU พร้อมใช้งานแล้ว งานในคิวจะมีการประมวลผลตามลำดับที่ได้รับ เพื่อแจ้งให้คุณทราบเมื่องานของคุณเสร็จสมบูรณ์ Amazon Braket จะส่งเหตุการณ์การเปลี่ยนแปลงสถานะไปยัง Amazon EventBridge คุณสามารถสร้างกฎใน EventBridge เพื่อระบุการดำเนินการ เช่น ใช้ Amazon Simple Notification Service (SNS) ซึ่งสามารถส่งการแจ้งเตือนถึงคุณผ่าน SMS หรือวิธีการอื่นๆ เช่น อีเมล, HTTPs, AWS Lambda หรือ Amazon SQS

ไม่ต้อง ไม่จำเป็น Amazon Braket จะรวบรวมโค้ดให้คุณเมื่อเรียกใช้ อย่างไรก็ตาม คุณมีตัวเลือกในอุปกรณ์ Rigetti OQC และ IonQ เพื่อเรียกใช้ดังที่ปรากฎ โดยไม่ต้องอาศัยการแปลงตัวรวบรวมโดยใช้การรวบรวมแบบต่อคำ บน Rigetti คุณยังสามารถกำหนดเฉพาะกลุ่มของโค้ดที่จะเรียกใช้ตามที่เป็นอยู่ โดยไม่ต้องผ่านตัวรวบรวมที่เข้ามารบกวน หากต้องการเรียนรู้เพิ่มเติม ให้ดูเอกสารในการรวบรวมแบบต่อคำ

การรวมสนาม Quantum แปลงสนามควอนตัมที่ผ่านการจัดสรร qubit, การแมปด่าน native และการเพิ่มประสิทธิภาพ อย่างไรก็ตาม การเพิ่มประสิทธิภาพด่านตัวรวบรวมอาจเป็นปัญหาสำหรับนักวิจัยและผู้เชี่ยวชาญด้านอัลกอริทึมควอนตัมที่กำลังพัฒนาสนามที่เป็นมาตรฐานหรือลดข้อผิดพลาด เนื่องจากการเพิ่มประสิทธิภาพตัวรวบรวมจะลบหรือจะดลำดับใหม่ให้กับด่านและองค์ประกอบที่ซ้ำซ้อน การรวบรวมแบบต่อคำช่วยให้ผู้ใช้สามารถระบุส่วนของสนามหรือทั้งสนามให้เรียกใช้งานตามที่ปรากฎ โดยไม่ต้องมีการปรับเปลี่ยนตัวรวบรวม

ได้ คุณสามารถเข้าใช้งานฮาร์ดแวร์ควอนตัมผ่านทาง AWS Marketplace เช่น อุปกรณ์การหลอมของ D-Wave

Hybrid Jobs ทำให้การดำเนินการของเวิร์กโหลดควอนตัมและดั้งเดิมแบบไฮบริดง่ายขึ้น เร็วขึ้น และคาดการณ์ได้มากขึ้น ด้วยคุณสมบัตินี้ คุณเพียงต้องระบุสคริปต์อัลกอริทึมหรือคอนเทนเนอร์ของคุณเท่านั้น และ AWS จะรวบรวมทรัพยากรที่ร้องขอ เรียกใช้อัลกอริทึม และหยุดใช้ทรัพยากรหลังจากเสร็จสิ้น ดังนั้นคุณจะจ่ายเฉพาะสิ่งที่คุณใช้เท่านั้น คุณสมบัติ Hybrid Jobs ยังให้ข้อมูลเชิงลึกแบบสดเกี่ยวกับตัววัดอัลกอรึธึม ดังนั้นคุณจึงสามารถดูความคืบหน้าของอัลกอริทึมได้ สิ่งสำคัญที่สุดคือ งานมีการเข้าถึง QPU เป้าหมายตามลำดับความสำคัญ ดังนั้นการดำเนินการจึงเร็วขึ้น คาดการณ์ได้มากขึ้น และได้รับผลกระทบจากปริมาณงานของผู้ใช้รายอื่นน้อยลง

Hybrid Jobs ของ Braket มีประโยชน์หลักๆ สามประการ ประการแรกคือ Hybrid Jobs ช่วยลดความยุ่งยากในการเรียกใช้อัลกอริทึมควอนตัมและคลาสสิกแบบไฮบริด นักวิจัยควอนตัมหลายรายมักจะไม่ชำนาญกับการประมวลผลระบบคลาวด์ และไม่ต้องการตั้งค่าและจัดการสภาพแวดล้อมการประมวลผลก่อนที่จะเรียกใช้อัลกอริทึมแบบไฮบริด เมื่อใช้งานไฮบริด เพียงแค่คุณระบุอินสแตนซ์การประมวลผลที่ต้องการ หรือใช้ค่าเริ่มต้นเท่านั้น งานไฮบริดของ Braket จะรวบรวมทรัพยากรแบบดั้งเดิมและเรียกใช้เวิร์กโหลดในสภาพแวดล้อมคอนเทนเนอร์ที่สร้างไว้ล่วงหน้า จากนั้นส่งคืนผลลัพธ์ไปยัง Amazon S3 และในที่สุดจึงหยุดใช้ทรัพยากรการประมวลผล ซึ่งทำให้คุณชำระค่าบริการเฉพาะส่วนที่คุณใช้เท่านั้น

ประการที่สองคือ งานไฮบริดมอบข้อมูลเชิงลึกแบบสดเกี่ยวกับอัลกอริทึมที่ทำงานอยู่ คุณสามารถกำหนดตัววัดอัลกอริทึมแบบกำหนดเองโดยเป็นส่วนหนึ่งของอัลกอริทึม ซึ่งจะได้รับการบันทึกโดยอัตโนมัติโดย Amazon CloudWatch และแสดงผลใน Amazon Braket Console วิธีนี้จะช่วยให้คุณสามารถติดตามความคืบหน้าของอัลกอริทึมได้

ประการที่สามคือ Amazon Braket Hybrid Jobs ให้ประสิทธิภาพที่ดีกว่าการเรียกใช้อัลกอริทึมแบบไฮบริดจากสภาพแวดล้อมของคุณเอง ตลอดระยะเวลาที่งานของคุณทำงานอยู่ งานของคุณมีการเข้าถึง QPU ที่เลือกตามลำดับความสำคัญ ซึ่งหมายความว่างานที่ดำเนินการบนอุปกรณ์ดังกล่าวโดยเป็นส่วนหนึ่งของงานจะได้รับการดำเนินการก่อนงานอื่นๆ ที่อาจอยู่ในคิวบนอุปกรณ์ ส่งผลให้เวลาทำงานสั้นลงและคาดการณ์ได้มากขึ้นสำหรับอัลกอริทึมแบบไฮบริด และผลลัพธ์ที่ดีขึ้นในท้ายที่สุดโดยการลดผลกระทบที่เป็นอันตรายต่อลักษณะของอุปกรณ์ที่เปลี่ยนแปลงอย่างช้าๆ ('ความคลาดเคลื่อนของอุปกรณ์') ต่อประสิทธิภาพของอัลกอริทึม

คุณสามารถใช้ QPU ที่มีอยู่บน Amazon Braket ร่วมกับ Hybrid Jobs ได้

คุณสามารถใช้ตัวจำลองแบบตามความต้องการของ Amazon Braket (SV1, DM1, TN1), ตัวจำลองแบบฝังตัวตามปลั๊กอิน PennyLane Lightning หรือตัวจำลองแบบกำหนดเองที่ฝังตัวเป็นคอนเทนเนอร์สำหรับ Hybrid Jobs ที่มีอยู่ได้ สำหรับตัวจำลองแบบฝังตัวหรือตัวจำลองแบบกำหนดเอง คุณสามารถเลือกอินสแตนซ์ CPU และ GPU หนึ่งตัวหรือหลายตัวเพื่อเรียกใช้เวิร์กโหลดแบบไฮบริดของคุณได้  

ตัวจำลองแบบฝังตัวคือชุดของตัวจำลองประสิทธิภาพสูงที่ฝังตัวโดยตรงในคอนเทนเนอร์เดียวกันกับโค้ดแอปพลิเคชันของคุณ เพื่อหลีกเลี่ยงเวลาแฝงที่สัมพันธ์กับการสื่อสารไปกลับระหว่างตัวจำลองแบบตามความต้องการที่มีการจัดการเต็มรูปแบบ เช่น SV1 และโค้ดดั้งเดิมที่อยู่ในคอนเทนเนอร์ของคุณ ตัวจำลองแบบฝังตัวรองรับคุณสมบัติขั้นสูง เช่น วิธีการแบบผูกพัน สำหรับการประมวลผลเกรเดียนต์ ซึ่งลดจำนวนวงจรที่จำเป็นในการประมวลผลเกรเดียนต์ ปัจจุบัน Amazon Braket รองรับตัวจำลองแบบฝังตัวจาก PennyLane เช่น ตัวจำลอง lightning.gpu ซึ่งเร่งประสิทธิภาพด้วย cuQuantum SDK ของ NVIDIA ที่ออกแบบมาโดยเฉพาะสำหรับการเรียกใช้การจำลองวงจรควอนตัมบน GPU ประสิทธิภาพสูง

ได้ คุณสามารถนำไลบรารีตัวจำลองของคุณเองไปยัง Amazon Braket Hybrid Jobs ได้โดยการฝังตัวจำลองและการขึ้นต่อกันลงในคอนเทนเนอร์ จากนั้น คุณสามารถส่งโค้ดไปยังคอนเทนเนอร์เป็นจุดเข้าใช้งาน และเรียกใช้โค้ดเป็น Amazon Braket Hybrid Job บนอินสแตนซ์ CPU หรือ GPU Amazon Braket จะจัดการการใช้งานทรัพยากรตลอดระยะเวลาของงาน และคุณจ่ายค่าบริการเฉพาะส่วนที่ใช้เท่านั้น

ไม่ได้ คอนเทนเนอร์งานจะทำงานบนประเภทอินสแตนซ์ ml.m5.xlarge เดียวตามค่าเริ่มต้น หากคุณกำลังใช้งานอัลกอริทึมแบบไฮบริดโดยใช้ตัวจำลองแบบตามความต้องการของ Amazon Braket (SV1, TN1, DM1) หรือ QPU แล้ว Amazon Braket จะจัดการซอฟต์แวร์และโครงสร้างพื้นฐานให้กับคุณ หากคุณกำลังใช้งานอัลกอริทึมแบบไฮบริดโดยใช้ตัวจำลองแบบฝังตัวจาก PennyLane หรือตัวจำลองแบบกำหนดเองที่บรรจุเป็นคอนเทนเนอร์ คุณสามารถเลือกประเภทอินสแตนซ์ CPU หรือ GPU อย่างน้อยหนึ่งประเภทที่จะเรียกใช้งาน Amazon Braket จัดการการตั้งค่าโครงสร้างพื้นฐานและหยุดการใช้ทรัพยากรเมื่องานเสร็จสมบูรณ์ ดังนั้นคุณจึงจ่ายค่าบริการเฉพาะส่วนที่ใช้เท่านั้น

ปัจจุบันตัวจำลองเวกเตอร์สถานะแบบฝังตัวจาก PennyLane ที่ติดตั้งด้วยคอนเทนเนอร์ Hybrid Jobs ของ Amazon Braket ไว้ล่วงหน้าสามารถใช้งานกับอัลกอริทึมรูปแบบต่างๆ ได้ ซึ่งจะได้รับประโยชน์จากวิธีการต่างๆ เช่น วิธีการแบบแพร่ย้อนกลับหรือแบบผูกพันสำหรับการประมวลผลเกรเดียนต์ ตัวอย่างของอัลกอริทึมเหล่านี้ ได้แก่ แมชชีนเลิร์นนิงควอนตัม (QML), อัลกอริทึมประมาณของกระบวนการควอนตัมอะเดียแบติก (QAOA) หรือไอเกนโซลเวอร์ควอนตัมแบบผันแปร (VQE) ตัวจำลองแบบฝังตัวยังช่วยให้คุณมีทางเลือกในการใช้อินสแตนซ์ GPU หากอัลกอริทึมของคุณสามารถใช้ประโยชน์จากการเร่งประสิทธิภาพด้วย GPU และสามารถบรรจุลงในหน่วยความจำ GPU ได้ ซึ่งโดยทั่วไปแล้วเป็นเช่นนั้นในกรณีของอัลกอริทึมแบบแปรผันและอัลกอริทึม QML ที่มีจำนวน qubit ระดับปานกลาง (น้อยกว่า 30 qubit) หรือให้ลองพิจารณาใช้ตัวจำลองแบบตามความต้องการ SV1 เนื่องจากวิธีการแบบผูกพันไม่รองรับการใช้ตัวอย่างข้อมูลที่ไม่เป็นศูนย์ในปัจจุบัน ให้ลองพิจารณาใช้ SV1 สำหรับเวิร์กโหลดใดๆ ที่มีตัวอย่างข้อมูลมากกว่าศูนย์ โปรดทราบว่าระบบรองรับตัวจำลองแบบฝังตัวโดยเป็นส่วนหนึ่งของคุณสมบัติ Hybrid Jobs เท่านั้น ในขณะที่ SV1 รองรับทั้งงานแบบสแตนด์อโลนและ Hybrid Jobs 

คุณสามารถใช้ตัวจำลอง lightning.gpu ของ PennyLane สำหรับอัลกอริทึมแบบไฮบริด เช่น QML, QAOA หรือ VQE หากปัญหามีขนาดเล็กพอที่จะบรรจุลงในหน่วยความจำ GPU ได้ คุณสามารถใช้ตัวจำลองที่ใช้ CPU อย่าง lightning.qubit ได้กับอัลกอริทึมที่ใช้หน่วยความจำสูง และไม่สามารถบรรจุลงในหน่วยความจำ GPU ได้ เช่น อัลกอริทึมแบบแปรผันที่มีจำนวน qubit สูง (29 qubit ขึ้นไป) โปรดทราบว่าค่าใช้จ่ายของคุณจะแตกต่างกันไปโดยขึ้นอยู่กับว่าคุณใช้ประเภทอินสแตนซ์ CPU หรือ GPU โปรดดูเอกสารประกอบ PennyLane สำหรับข้อมูลเพิ่มเติม 

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับค่าบริการสำหรับงานไฮบริดโปรดดูแท็บงานไฮบริดบน หน้าการกำหนดราคา Amazon Braket

คุณสามารถเริ่มต้นใช้งานได้โดยไปที่ส่วนคู่มือผู้ใช้ Amazon Braket Jobs ของเอกสารประกอบ Braket โน้ตบุ๊คตัวอย่างแบบไฮบริดของ Amazon Braket มีบทแนะนำสอนการใช้งานเกี่ยวกับวิธีการเริ่มต้นใช้งาน Jobs และเรียกใช้อัลกอริทึมแบบไฮบริดประเภทต่างๆ ตัวอย่างเหล่านี้ได้รับการติดตั้งล่วงหน้าในโน้ตบุ๊ค Amazon Braket เพื่อช่วยให้คุณเริ่มต้นใช้งานได้อย่างรวดเร็ว คุณยังสามารถตรวจสอบตัวอย่างอัลกอริทึมแบบไฮบริดได้ด้วยปลั๊กอิน PennyLane ในที่เก็บตัวอย่าง Amazon Braket 

Amazon Braket ไม่มีค่าบริการล่วงหน้า และคุณชำระเฉพาะค่าทรัพยากร AWS ที่คุณใช้เท่านั้น คุณจะถูกเรียกเก็บเงินแยกต่างหากสำหรับแต่ละความสามารถของ Amazon Braket รวมถึงการเข้าถึงฮาร์ดแวร์การประมวลผลแบบควอนตัมและตัวจำลองแบบตามความต้องการ นอกจากนี้คุณจะถูกเรียกเก็บเงินแยกต่างหากสำหรับบริการของ AWS ที่ให้บริการผ่าน Amazon Braket เช่น สมุดบันทึกที่มีการจัดการของ Amazon Braket โปรดไปที่หน้าราคาของเราเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับราคา 

ตอบ: คุณสามารถใช้แท็กเพื่อจัดระเบียบทรัพยากรของ AWS ของคุณตามการจัดกลุ่มเชิงตรรกะที่ทีมงานหรือธุรกิจของคุณเข้าใจได้ เช่น ศูนย์ต้นทุน แผนก หรือโครงการ ใน Amazon Braket คุณสามารถติดแท็กไปยังงานควอนตัมที่คุณสร้างได้ หลังจากที่สร้างและติดแท็กที่ผู้ใช้กำหนดแล้ว คุณสามารถเปิดใช้งานแท็กดังกล่าวสำหรับการติดตามการจัดสรรต้นทุนบนแดชบอร์ด AWS Billing and Cost Management ได้ AWS ใช้แท็กเพื่อจัดหมวดหมู่ค่าใช้จ่ายของคุณและส่งรายงานการจัดสรรต้นทุนประจำเดือนเพื่อให้คุณสามารถติดตามค่าใช้จ่ายของ AWS ของคุณได้ รายงานการจัดสรรต้นทุนของคุณจะแสดงคีย์แท็กเป็นคอลัมน์เพิ่มเติมโดยมีค่าที่เกี่ยวข้องสำหรับแต่ละแถว คุณจึงติดตามค่าใช้จ่ายได้ง่ายหากใช้ชุดคีย์แท็กที่สอดคล้องกัน

ใช่ นักวิทยาศาสตร์ที่มหาวิทยาลัยจากทั่วโลกต่างดำเนินงานวิจัยบน Amazon Braket โดยใช้เครดิตที่มอบให้ผ่านโปรแกรม AWS Cloud Credit for Research โปรดส่งข้อเสนอของคุณมาที่ลิงก์ด้านบน ในขั้นตอนการสมัคร หากคุณไม่มี URL สำหรับเครื่องคำนวณราคา โปรดส่งคำขอของคุณที่มีเพลซโฮลเดอร์

ใช่ QPU บน Amazon Braket มีการโฮสต์โดยผู้ให้บริการฮาร์ดแวร์ควอนตัมของเราที่เป็นบุคคลภายนอก หากคุณใช้ Amazon Braket เพื่อเข้าใช้งานคอมพิวเตอร์ควอนตัม วงจร และ MetaData ที่เกี่ยวข้อง คุณจะถูกส่งไปยังและประมวลผลโดยผู้ให้บริการฮาร์ดแวร์นอกสถานประกอบการที่ดำเนินการโดย AWS เนื้อหาของคุณจะไม่ระบุตัวตนเพื่อให้มีการส่งเฉพาะเนื้อหาที่จำเป็นในการประมวลผลควอนตัมไปยังผู้ให้บริการฮาร์ดแวร์ควอนตัม ข้อมูลบัญชี AWS จะไม่มีการส่งไปยังผู้ให้บริการดังกล่าว ข้อมูลทั้งหมดจะถูกเข้ารหัสในขณะที่พักอยู่และที่มีการเคลื่อนย้ายและจะถอดรหัสลับเพื่อประมวลผลเท่านั้น นอกจากนี้ ผู้ให้บริการฮาร์ดแวร์ Amazon Braket ไม่ได้รับอนุญาตให้จัดเก็บหรือใช้เนื้อหาของคุณเพื่อวัตถุประสงค์อื่นนอกเหนือจากการประมวลผลงาน เมื่อวงจรเสร็จสิ้น ผลลัพธ์จะถูกส่งกลับไปยัง Amazon Braket และเก็บไว้ในบัคเก็ต Amazon S3 ของคุณ ความปลอดภัยของผู้ให้บริการฮาร์ดแวร์ควอนตัมโดยบุคคลภายนอกของ Amazon Braket จะได้รับการตรวจสอบเป็นระยะเพื่อให้แน่ใจว่ามีมาตรฐานความปลอดภัยของเครือข่าย การควบคุมการเข้าถึง การป้องกันข้อมูล และความปลอดภัยทางกายภาพ

ผลลัพธ์ของคุณจะถูกเก็บไว้ใน Amazon S3 นอกเหนือจากการมอบผลลัพธ์การดำเนินการแล้ว Amazon Braket ยังเผยแพร่บันทึกเหตุการณ์และการวัดผลประสิทธิภาพ เช่น สถานะการเสร็จสิ้นและเวลาในการดำเนินการไปยัง Amazon CloudWatch อีกด้วย

Amazon Braket ผสานรวมอยู่กับ AWS PrivateLink คุณจึงสามารถเข้าถึง Amazon Braket ได้จากภายใน Amazon Virtual Private Cloud (Amazon VPC) โดยไม่จำเป็นต้องมีการรับส่งข้อมูลข้ามผ่านอินเทอร์เน็ต วิธีนี้ช่วยลดโอกาสที่จะพบกับภัยคุกคามด้านความปลอดภัยจากการโจมตีทางอินเทอร์เน็ต รวมถึงลดความเสี่ยงต่อการรั่วไหลของข้อมูลที่ละเอียดอ่อนได้

Amazon Quantum Solutions Lab เป็นโปรแกรมบริการวิจัยร่วมระดับมืออาชีพ ซึ่งมีผู้เชี่ยวชาญด้านการประมวลผลแบบควอนตัมมากมายที่จะคอยให้ความช่วยเหลือคุณในการศึกษาการประมวลผลแบบควอนตัมได้อย่างมีประสิทธิภาพมากขึ้น และเอาชนะความท้าทายที่เกิดขึ้นกับเทคโนโลยีเกิดใหม่นี้ โปรดไปที่เว็บเพจของ Quantum Solutions Lab เพื่อเริ่มต้นใช้งาน 

คุณสามารถขอข้อมูลเกี่ยวกับการมีส่วนร่วมกับ QSL และพันธมิตรของเราได้โดยส่งแบบฟอร์มนี้ และโดยการทำงานผ่านผู้จัดการบัญชี AWS ของคุณ

ค่าใช้จ่ายของการมีส่วนร่วมกับ QSL แตกต่างกันไป ขึ้นอยู่กับระยะเวลาของการมีส่วนร่วมและลักษณะความต้องการของคุณ โปรดติดต่อผู้จัดการบัญชีของคุณสำหรับรายละเอียดเพิ่มเติม 

การมีส่วนร่วมกับ Quantum Solutions Lab มักใช้เวลา 6 ถึง 12 เดือน

กระบวนการทั้งหมดสามารถทำได้จากระยะไกลหากจำเป็น ซึ่งมีแนวโน้มว่าจะต้องทำเช่นนั้นเนื่องด้วยภาวะโรคระบาดในปัจจุบัน อย่างไรก็ตาม โดยปกติแล้วเราจะนัดพบกันตัวเป็นๆ เพื่อเริ่มการมีส่วนร่วมและกำหนดจังหวะการทำงาน หลังจากนั้น เราจะเยี่ยมชมสถานประกอบการของคุณตามความจำเป็นและมีจุดตรวจสอบตามปกติโดยใช้การประชุมทางวิดีโอ ไปพร้อมกับทำงานร่วมกันทางไกลเป็นประจำ

AWS Center for Quantum Computing เป็นโปรแกรมการวิจัยที่รวมนักวิจัยและวิศวกรจาก Amazon และสถาบันการศึกษาต่างๆ ที่เป็นผู้นำในด้านการประมวลผลแบบควอนตัม โดยจะทำงานร่วมกันในแอปพลิเคชันระยะใกล้ แผนการแก้ไขข้อผิดพลาด สถาปัตยกรรมฮาร์ดแวร์ และโมเดลการเขียนโปรแกรมเพื่อศึกษาการพัฒนาเทคโนโลยีควอนตัม เราจัดตั้ง AWS Center for Quantum Computing ในวิทยาเขตของมหาวิทยาลัย California Institute of Technology (Caltech) วันนี้ ทางศูนย์ร่วมมือกับนักวิจัยที่ Caltech, Stanford University, Harvard University, Massachusetts Institute of Technology และ University of Chicago ผ่านโปรแกรม Amazon Scholars

ทีมงาน AWS Center for Quantum Computing จะเผยแพร่งานวิจัยและนำเสนอวารสารวิชาการเกี่ยวกับฮาร์ดแวร์เชิงควอนตัม อัลกอริทึม การแก้ไขข้อผิดพลาดและหัวข้ออื่นๆ ที่งานประชุม เช่น QIP, APS และ IEEE QCE อย่างเป็นประจำ งานวิจัยที่โดดเด่นจะรวมถึงวารสารเกี่ยวกับ “การออกแบบคอมพิวเตอร์ควอนตัมที่ทนทานต่อข้อผิดพลาดตามแนวคิดแมวของชโรดิงเงอร์” สำหรับการเผยแพร่งานวิจัยอื่นๆ โปรดดูที่หน้าขอบเขตการวิจัยเกี่ยวกับเทคโนโลยีควอนตัม Amazon.Science ของเรา