Nếu máy tính lượng tử học kiến trúc của bộ não: Một nhánh điện toán mới bắt đầu hình thành

Máy tính lượng tử thường được hình dung như một phiên bản cực mạnh của máy tính hiện tại: vẫn chạy thuật toán, nhưng thay bit bằng qubit để khai thác chồng chập và vướng víu. Một hướng nghiên cứu mới đang đặt câu hỏi khác: điều gì xảy ra nếu ngay cả cách tổ chức thông tin cũng không còn bắt nguồn từ kiến trúc máy tính cổ điển, mà học theo cách bộ não lưu trữ khái niệm một cách phân tán?

Đó là ý tưởng phía sau Quantum Hyperdimensional Computing (QHDC), một mô hình được nhóm Fabio Cumbo, Rui-Hao Li, Bryan Raubenolt, Jayadev Joshi và các cộng sự trình bày trên npj Unconventional Computing ngày 4/5/2026. Nhóm gọi đây là nền tảng cho một lớp kiến trúc quantum neuromorphic mới: kết hợp hyperdimensional computing (HDC) lấy cảm hứng từ não với các phép toán tự nhiên của máy tính lượng tử.

Quan trọng nhất, đây không chỉ là một đề xuất trên giấy. Nhóm đã xây phần mềm, thử nghiệm hai loại bài toán và chạy một phần hệ thống trên bộ xử lý lượng tử IBM Heron r3 156 qubit. Tuy nhiên, kết quả cũng cho thấy khoảng cách giữa ý tưởng và một hệ thống lượng tử thực sự vượt máy tính cổ điển vẫn còn rất lớn.

Não không lưu một khái niệm trong một “ô nhớ” duy nhất

Điểm xuất phát của QHDC là hyperdimensional computing, hay HDC, còn được gọi là vector-symbolic architecture.

HDC lấy cảm hứng từ một đặc điểm tổng quát của xử lý thông tin trong não: một khái niệm không nhất thiết được mã hóa bởi một phần tử duy nhất. Thông tin được phân bố trên một quần thể rất lớn các thành phần, nhờ vậy hệ thống có thể chịu được nhiễu hoặc mất mát cục bộ mà vẫn giữ được ý nghĩa tổng thể.

Trong máy tính, HDC biểu diễn thông tin bằng những vector có số chiều rất lớn, thường từ hàng nghìn chiều trở lên. Những vector này được gọi là hypervector.

Thay vì lưu “mèo”, “đỏ” hay “Paris” như những địa chỉ độc lập, HDC biến mỗi khái niệm thành một mẫu phân tán trên toàn bộ hypervector. Một phần dữ liệu bị lỗi không nhất thiết phá hỏng khái niệm, vì thông tin không nằm trong một phần tử đơn lẻ.

Đặc tính này giúp HDC có khả năng chống nhiễu tốt và thường phù hợp với học một lượt hoặc ít mẫu. Nó cũng sử dụng một bộ phép toán tương đối nhỏ để kết hợp, liên kết và so sánh các khái niệm.

Ba phép toán của HDC vô tình “hợp” với vật lý lượng tử

Nhóm nghiên cứu nhận ra một sự tương đồng đáng chú ý: những phép toán cốt lõi của HDC có thể được ánh xạ khá tự nhiên sang những thao tác mà máy tính lượng tử vốn đã làm.

Trong HDC, binding được dùng để liên kết hai khái niệm. Chẳng hạn, một vector đại diện cho “quốc gia” có thể được gắn với vector “Mexico” để tạo ra một cấu trúc mới mà vẫn cho phép truy hồi quan hệ sau đó.

Trong QHDC, nhóm biểu diễn binding bằng các phase oracle lượng tử. Về trực giác, hai mẫu thông tin có thể được kết hợp thông qua pha của trạng thái lượng tử thay vì thực hiện hàng loạt phép nhân từng phần tử như trên vector cổ điển.

Phép thứ hai, bundling, gom nhiều hypervector thành một biểu diễn tổng hợp, tương tự việc tạo một khái niệm từ nhiều đặc điểm. Nhóm ánh xạ thao tác này sang chồng chập lượng tử và sử dụng kỹ thuật Linear Combination of Unitaries kết hợp với Oblivious Amplitude Amplification.

Phép thứ ba, permutation, thay đổi thứ tự hoặc vai trò của thông tin để mã hóa cấu trúc. Nhóm cho thấy thao tác này có thể được thực hiện bằng Quantum Fourier Transform trong thiết kế của họ.

Cuối cùng, việc đo độ giống nhau giữa hai hypervector — một thao tác trung tâm của HDC — được chuyển thành phép đo overlap giữa hai trạng thái lượng tử thông qua Hadamard Test.

Điểm hấp dẫn ở đây là nhóm không cố lấy một mạng neural cổ điển rồi “lượng tử hóa” từng lớp. Họ bắt đầu bằng một mô hình tính toán vốn đã dựa trên biểu diễn phân tán và tìm ra ánh xạ trực tiếp từ các thao tác của mô hình đó sang cơ chế lượng tử.

Một qubit có thể đại diện cho không gian lớn hơn nhiều so với một bit

HDC cổ điển thường cần hypervector rất dài. Một vector 10.000 chiều không phải điều bất thường.

Đây vừa là thế mạnh vừa là chi phí của HDC: không gian chiều cao giúp các vector ngẫu nhiên gần như trực giao với nhau và cho phép lưu nhiều khái niệm mà ít bị lẫn, nhưng đồng thời đòi hỏi bộ nhớ và số phép toán lớn.

Máy tính lượng tử đưa ra một cách biểu diễn khác. Với một hệ gồm N qubit, không gian trạng thái có kích thước 2^N. Về mặt biểu diễn, 7 qubit đã tương ứng với một không gian 128 chiều, 10 qubit với 1.024 chiều và 14 qubit với 16.384 chiều.

QHDC cố khai thác chính sự tăng theo hàm mũ đó. Thay vì lưu tất cả thành phần của hypervector như dữ liệu cổ điển, một vector nhiều chiều có thể được mã hóa vào trạng thái lượng tử.

Nhưng đây cũng là nơi cần thận trọng. Việc một trạng thái lượng tử có không gian biểu diễn khổng lồ không có nghĩa người dùng có thể đọc ra đồng thời toàn bộ 2^N giá trị. Phép đo lượng tử chỉ cho một lượng thông tin giới hạn, và việc chuẩn bị trạng thái cũng có thể rất tốn tài nguyên.

Do đó, lợi thế chỉ xuất hiện nếu thuật toán có thể thực hiện trực tiếp thao tác cần thiết trên trạng thái lượng tử mà không phải giải mã toàn bộ vector về dạng cổ điển.

Thử nghiệm đầu tiên: máy tính lượng tử giải một phép suy luận biểu tượng

Để kiểm tra liệu QHDC có thể thực hiện reasoning chứ không chỉ phân loại dữ liệu, nhóm xây một bài toán tương tự phép suy luận “Dollar là tiền tệ của Mỹ, vậy tiền tệ của Mexico là gì?”.

Các khái niệm như quốc gia, tiền tệ, thủ đô, Mỹ, Mexico, Dollar và Peso được mã hóa thành hypervector. Sau đó, binding và bundling tạo ra các biểu diễn tổng hợp cho hai quốc gia.

Ở phiên bản lượng tử, nhóm dùng vector 16 chiều, tương ứng với hệ 4 qubit. Các phase oracle tạo các khái niệm, còn LCU và OAA thực hiện bundling. Cuối cùng, Hadamard Test so sánh trạng thái truy vấn với những khái niệm trong “codebook” để tìm câu trả lời gần nhất.

Thử nghiệm cho thấy toàn bộ đại số cơ bản của HDC có thể được biểu diễn bằng mạch lượng tử. Đây là bước quan trọng vì trước đó các ý tưởng quantum neuromorphic đã tồn tại, nhưng nhóm cho rằng công trình này là lần đầu một framework QHDC đầu-cuối được xây dựng và kiểm tra trên phần cứng lượng tử thực.

Thử nghiệm thứ hai: phân biệt chữ số 3 và 6

Bài kiểm tra tiếp theo gần với machine learning hơn.

Nhóm sử dụng MNIST, bộ dữ liệu chữ số viết tay kinh điển, nhưng thu hẹp bài toán chỉ còn phân biệt số 3 và số 6. Ảnh gốc 28 × 28 pixel được giảm xuống 4 × 4, còn 16 đặc trưng, để phù hợp với giới hạn của phần cứng lượng tử hiện tại.

Trong mô phỏng không nhiễu, phiên bản QHDC với vector 128 chiều — tương ứng 7 qubit cho phần biểu diễn — đạt F1 trung bình khoảng 80,81%. Phiên bản HDC cổ điển 128 chiều đạt khoảng 85,26%, còn HDC 10.000 chiều đạt khoảng 85,93%.

Khi đưa mô hình lên phần cứng IBM Heron r3 thật, kết quả giảm mạnh do nhiễu và độ sâu mạch. Ở cấu hình 128 chiều, F1 chỉ còn khoảng 54,75%.

Nhóm sau đó giảm không gian xuống 32 chiều, sử dụng 5 qubit và mạch nông hơn. F1 trên phần cứng thật tăng lên khoảng 68,59%.

Kết quả này vừa tích cực vừa cho thấy giới hạn của thế hệ máy tính lượng tử hiện tại: nguyên lý hoạt động được xác nhận, nhưng mạch càng sâu thì decoherence và lỗi cổng càng nhanh chóng phá hỏng tín hiệu.

“Nhanh hơn gần 500 lần” — nhưng chỉ trong mô phỏng

Một con số nổi bật từ nghiên cứu là QHDC chạy nhanh hơn gần 500 lần so với hai phương pháp quantum machine learning được dùng làm đối chứng: Variational Quantum Classifier (VQC) và Quantum Support Vector Classifier (QSVC).

Trong benchmark mô phỏng lý tưởng, một fold cross-validation của VQC và QSVC mất trung bình khoảng 13.800 giây, tương đương gần 3,8 giờ. QHDC 128 chiều mất khoảng 27,9 giây.

Chênh lệch lớn chủ yếu đến từ kiến trúc học. VQC cần vòng lặp tối ưu lặp đi lặp lại giữa bộ xử lý cổ điển và mạch lượng tử để cập nhật tham số. QSVC cũng phải xây quantum kernel cho nhiều cặp dữ liệu. QHDC tránh phần lớn quá trình tối ưu lặp đó bằng cách tạo trực tiếp các prototype của từng lớp.

Tuy nhiên, đây không phải bằng chứng rằng một máy tính lượng tử thật đã nhanh hơn máy tính cổ điển 500 lần.

Con số gần 500× được đo trong môi trường mô phỏng không nhiễu khi so QHDC với hai mô hình QML khác. Chính tác giả cũng nhấn mạnh đóng góp của nghiên cứu là chứng minh tính khả thi của kiến trúc, không phải chứng minh lợi thế hiệu năng ngay lập tức so với HDC cổ điển đã trưởng thành.

Thực tế, HDC chạy trên CPU trong benchmark của nghiên cứu vẫn cực nhanh: cấu hình 128 chiều chỉ mất khoảng 0,05 giây mỗi fold, nhanh hơn rất nhiều so với mô phỏng QHDC.

Máy IBM 156 qubit nhưng bài toán chỉ dùng vài qubit — vì sao?

Nhóm chạy thử trên ibm_pittsburgh, hệ thống sử dụng bộ xử lý IBM Heron r3 156 qubit. Nhưng số qubit vật lý có sẵn không đồng nghĩa thuật toán có thể dùng toàn bộ chúng cho một mạch phức tạp.

Trong thời đại NISQ — Noisy Intermediate-Scale Quantum — độ sâu mạch, chất lượng cổng và thời gian coherence thường quan trọng không kém số qubit.

Ở bài phân loại, cấu hình 128 chiều có mạch Hadamard Test sau transpilation sâu khoảng 510 lớp. Nhóm nhận thấy mạch này đã quá dễ bị nhiễu trên phần cứng hiện tại.

Khi giảm xuống 32 chiều, độ sâu mạch còn khoảng 126 và độ chính xác thực tế tăng đáng kể.

Đây là nghịch lý quen thuộc của máy tính lượng tử hiện nay: một thuật toán “mạnh hơn” về mặt biểu diễn có thể cho kết quả tệ hơn nếu nó đòi hỏi mạch dài hơn khả năng giữ trạng thái lượng tử của phần cứng.

Nút thắt lớn nhất nằm ở phép “gom” thông tin

Trong HDC, bundling là thao tác đơn giản: cộng nhiều vector lại để tạo prototype của một nhóm.

Trên máy lượng tử, việc cộng tùy ý nhiều trạng thái không đơn giản như vậy. Nhóm sử dụng LCU và OAA để tạo phiên bản quantum-native của bundling, nhưng chi phí tăng rất nhanh khi số thành phần lớn.

Trong một cấu hình phân loại đầy đủ, mạch bundling lượng tử được nhóm ước tính có độ sâu khoảng 21,4 triệu và hơn 12 triệu cổng CNOT sau transpilation — hoàn toàn không khả thi trên phần cứng NISQ hiện tại.

Vì lý do đó, thử nghiệm phân loại thực tế phải dùng kiến trúc hybrid: một phần bundling được thực hiện cổ điển, sau đó kết quả mới được đưa vào mạch lượng tử để suy luận và đo similarity.

Chi tiết này rất quan trọng khi đánh giá mức độ trưởng thành của QHDC. Framework đã được chạy trên phần cứng thật, nhưng chưa phải mọi thao tác đều được thực hiện hoàn toàn bằng quantum hardware ở quy mô bài toán machine learning.

Vậy “quantum neuromorphic” khác neural network lượng tử thế nào?

Nhiều mô hình quantum machine learning hiện tại bắt đầu từ các thuật toán quen thuộc của machine learning cổ điển. Một neural network được biến thành variational quantum circuit; một support vector machine được thay kernel bằng quantum kernel.

QHDC có triết lý khác.

Nó không cố mô phỏng neuron sinh học theo nghĩa một qubit tương ứng một neuron. Thay vào đó, nó lấy một nguyên lý ở cấp kiến trúc: thông tin được biểu diễn phân tán trong không gian rất nhiều chiều và được xử lý bằng các phép liên kết, gom nhóm và so sánh đơn giản.

Vì vậy, “học theo bộ não” ở đây nên được hiểu là cảm hứng về cách biểu diễn và xử lý thông tin, không phải xây bản sao điện tử của cortex.

Khái niệm quantum neuromorphic computing cũng rộng hơn riêng QHDC. Từ trước đã có các nghiên cứu về quantum reservoir computing, quantum memristor, neuron lượng tử và phần cứng superconducting lấy cảm hứng từ neuron. QHDC là một nhánh mới trong bức tranh đó, tập trung vào hyperdimensional representation.

Tại sao HDC lại đặc biệt hợp với dữ liệu sinh học?

Nhóm tác giả đặc biệt quan tâm đến biomedical computing.

Dữ liệu sinh học thường có số chiều lớn, nhiều nhiễu và mang nhiều loại thông tin khác nhau: gene, methylation, protein, hình ảnh, tín hiệu sinh lý hoặc hồ sơ lâm sàng.

HDC đã được nghiên cứu trong bioinformatics vì nó có thể biến những kiểu dữ liệu khác nhau thành cùng một dạng hypervector, sau đó xử lý bằng các phép toán tương đối thống nhất. Các nghiên cứu trước đây đã áp dụng HDC cho dữ liệu methylation ung thư, metagenomics, chuỗi DNA và phân loại dữ liệu sinh học.

QHDC đặt cược rằng nếu hypervector có thể được mã hóa hiệu quả vào trạng thái lượng tử, các bài toán như so khớp mẫu trong không gian rất lớn hoặc tìm hồ sơ sinh học gần nhất có thể hưởng lợi từ quantum parallelism.

Trong phần thảo luận, các tác giả nêu ví dụ dài hạn về việc tìm hồ sơ genomic gần nhất trong cơ sở dữ liệu hàng triệu bệnh nhân. Nhưng đây là triển vọng lý thuyết, chưa phải ứng dụng đã được chạy ở quy mô đó.

Một lợi thế thú vị: HDC vốn đã chịu nhiễu

Máy tính lượng tử hiện tại nổi tiếng vì nhiễu. Chỉ một số lỗi cổng hoặc decoherence có thể làm kết quả sai đáng kể.

HDC, ngược lại, được xây trên các biểu diễn phân tán có tính dư thừa. Nếu một số thành phần của hypervector bị sai, vector tổng thể vẫn có thể giống đủ với prototype đúng để được nhận diện.

Về lý thuyết, đặc tính này khiến HDC trở thành ứng viên hấp dẫn cho phần cứng lượng tử chưa hoàn hảo.

Tuy nhiên, thử nghiệm IBM Heron cho thấy không nên phóng đại lợi ích này. Ở mạch sâu 510, nhiễu vẫn làm F1 tụt từ 80,81% trong mô phỏng lý tưởng xuống 54,75% trên QPU thật. Khả năng chịu nhiễu của biểu diễn không thể bù vô hạn cho lỗi vật lý.

Điều khả thi hơn trong ngắn hạn là thiết kế QHDC theo hướng hardware-aware: giảm chiều, làm mạch nông hơn và chọn những thao tác phù hợp nhất với phần cứng hiện có.

QHDC có phải “một nhánh điện toán mới”?

Có cơ sở để gọi đây là một hướng mới, nhưng cần đặt đúng phạm vi.

Quantum neuromorphic computing không bắt đầu vào năm 2026. Khái niệm này đã được thảo luận trong các công trình trước đó, với nhiều cách tiếp cận như oscillator lượng tử, reservoir computing, memristor lượng tử và neuron lượng tử.

Điểm mới của nghiên cứu Cumbo và cộng sự là đưa hyperdimensional computing thành một framework lượng tử đầu-cuối và cung cấp lần triển khai vật lý đầu tiên của QHDC theo định nghĩa của nhóm.

Do đó, điều đang “bắt đầu hình thành” không phải toàn bộ quantum neuromorphic computing, mà là một nhánh cụ thể: quantum hyperdimensional computing như một kiến trúc học máy và suy luận được thiết kế ngay từ đầu để phù hợp với cơ học lượng tử.

Tại sao cách tiếp cận này đáng chú ý hơn việc chỉ “lượng tử hóa AI”?

Trong nhiều năm, quantum machine learning thường bắt đầu từ câu hỏi: làm thế nào đưa một thuật toán AI đang chạy trên CPU/GPU sang qubit?

Nhưng phần cứng mới thường phát huy tốt nhất khi phần mềm được thiết kế theo đặc điểm vật lý của nó. GPU thành công với deep learning không phải vì nó bắt chước CPU nhanh hơn, mà vì các phép tính ma trận song song của neural network phù hợp với kiến trúc GPU.

QHDC theo một triết lý tương tự. Thay vì ép quantum hardware mô phỏng chính xác một mô hình cổ điển, nhóm tìm một mô hình tính toán mà các phép toán cơ bản đã có sự tương đồng với superposition, entanglement và measurement.

Nếu hướng đi này đúng, lợi thế dài hạn có thể đến không phải từ việc “chạy neural network hiện tại nhanh hơn”, mà từ những thuật toán mới chỉ thực sự hợp lý khi chạy trên phần cứng lượng tử.

Nhưng chưa có “quantum advantage”

Đây là giới hạn quan trọng nhất.

Nhóm tác giả phân biệt rõ giữa quantum utility và quantum advantage. QHDC hiện mới chứng minh rằng phép ánh xạ từ HDC sang mạch lượng tử có ý nghĩa và có thể thực thi trên phần cứng thật.

Nó chưa chứng minh rằng hệ thống lượng tử đánh bại thuật toán cổ điển tốt nhất về tốc độ, chi phí hay độ chính xác.

Trong chính benchmark của nghiên cứu, HDC cổ điển vừa nhanh hơn rất nhiều vừa đạt F1 cao hơn QHDC trên phần cứng thực.

Lợi thế gần 500× chỉ xuất hiện khi so QHDC với hai phương pháp QML khác trong mô phỏng lý tưởng, chủ yếu nhờ QHDC không cần vòng tối ưu lặp.

Đây vẫn là một kết quả có giá trị: nó cho thấy một kiến trúc quantum-native có thể tránh một trong những nút thắt của variational quantum machine learning. Nhưng nó chưa phải bằng chứng về lợi thế lượng tử theo nghĩa mạnh.

Điều gì cần xảy ra để QHDC trở nên thực sự hữu ích?

Thứ nhất, phần cứng lượng tử cần giảm lỗi và tăng coherence để những mạch sâu hơn có thể chạy mà không mất tín hiệu.

Thứ hai, phép bundling lượng tử phải được tối ưu mạnh. Mạch hàng triệu lớp không thể trở thành nền tảng cho ứng dụng thực tế.

Thứ ba, các thử nghiệm phải chuyển từ MNIST thu nhỏ và reasoning biểu tượng nhỏ sang dữ liệu có quy mô đủ lớn để lợi thế của không gian lượng tử có cơ hội xuất hiện.

Thứ tư, QHDC phải được so với những thuật toán cổ điển tốt nhất chứ không chỉ với các phương pháp QML khác. Một thuật toán lượng tử nhanh hơn một thuật toán lượng tử khác chưa đồng nghĩa có lợi thế trước máy tính cổ điển.

Cuối cùng, các mô hình cần chứng minh rằng lợi ích về biểu diễn không bị triệt tiêu bởi chi phí đưa dữ liệu cổ điển vào trạng thái lượng tử và chi phí đo kết quả.

Tương lai có thể là giao điểm của nhiều kiến trúc, không phải một “máy tính tối thượng”

Lịch sử điện toán đang rời xa ý tưởng rằng mọi bài toán đều nên chạy trên cùng một loại chip. GPU xử lý AI, TPU tối ưu tensor, neuromorphic chip xử lý spike, còn quantum processor nhắm tới những lớp thuật toán riêng.

QHDC gợi ý rằng ranh giới này có thể tiếp tục mờ đi.

Một hệ thống tương lai có thể dùng CPU để điều phối, GPU cho deep learning, chip neuromorphic cho cảm biến thời gian thực và QPU cho một số thao tác trên biểu diễn siêu chiều mà quantum hardware thực hiện hiệu quả nhất.

Ở góc nhìn đó, “máy tính lượng tử học bộ não” không nhất thiết tạo ra một cỗ máy giống não. Nó có thể đơn giản là việc các nhà khoa học nhận ra rằng một số nguyên lý do sinh học gợi ý — phân tán thông tin, chịu lỗi, biểu diễn nhiều chiều và suy luận bằng độ tương đồng — lại phù hợp bất ngờ với cách thông tin tồn tại trong một hệ lượng tử.

Nghiên cứu năm 2026 chưa chứng minh đây sẽ là kiến trúc chiến thắng. Nhưng nó đã làm được một bước quan trọng hơn một ý tưởng đẹp: biến QHDC thành một hệ thống có phương trình, phần mềm, benchmark và lần chạy đầu tiên trên quantum processor thật.

Nếu những nút thắt về noise và circuit depth được giải quyết, đây có thể là lúc một nhánh mới của điện toán lượng tử bắt đầu chuyển từ câu hỏi “có thể làm được không?” sang câu hỏi khó hơn: “nó sẽ hữu ích ở đâu?”.

Nguồn tham khảo

• Fabio Cumbo và cộng sự, “Quantum hyperdimensional computing: a foundational paradigm for quantum neuromorphic architectures”, npj Unconventional Computing, 4/5/2026.
• Michiel Stock và cộng sự, “Hyperdimensional computing: A fast, robust, and interpretable paradigm for biological data”, PLOS Computational Biology, 2024.
• Danijela Marković và Julie Grollier, “Quantum neuromorphic computing”, Applied Physics Letters, 2020.