英特尔在《自然》杂志发表题为《检测300毫米自旋量子比特晶圆上的单电子器件》的研究论文,展示了领先的自旋量子比特均匀性、保真度和测量数据。这项研究为硅基量子处理器的量产和持续扩展(构建容错量子计算机的必要条件)奠定了基础。
英特尔打造的300毫米自旋量子比特晶圆
英特尔的量子硬件研究人员开发了一种300毫米低温检测工艺,使用互补金属氧化物半导体(CMOS)制造技术,在整个晶圆上收集有关自旋量子比特器件性能的大量数据。
量子比特器件良率的提升,加上高通量的测试工艺,让英特尔的研究人员能够根据更多的数据分析均匀性,这是扩展量子计算机的重要一步。研究人员还发现,这些晶圆上的单电子器件在作为自旋量子比特运行时表现良好,门保真度达到了99.9%。就完全基于CMOS工艺制造的量子比特而言,这一保真度设立了业界领先水平。
自旋量子比特的尺寸较小,直径约为100纳米,因此密度高于其它类型的量子比特(如超导量子比特),从而能够在相同尺寸的芯片上构建更复杂的量子处理器。英特尔使用了极紫外光刻(EUV)技术实现小尺寸自旋量子比特芯片的大批量制造。
用数百万个均匀的量子比特实现容错量子计算机,需要高度可靠的制造工艺。凭借在晶体管制造领域丰富的专业积累,英特尔走在行业前沿,利用先进的300毫米CMOS制造技术打造硅自旋量子比特。300毫米CMOS制造技术通常能够在单个芯片上集成数十亿个晶体管。
在这些研究成果的基础上,英特尔希望继续取得进展,使用这些技术添加更多互连层,以制造具有更高量子比特数和更多连接的2D阵列,并在工业制造流程中实现高保真的双量子比特门(2-qubit gates)。在量子计算领域,英特尔未来的工作重点是通过下一代量子芯片继续扩展量子器件和实现性能提升。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。