Nanotechnology Now - Press Release: Machine Learning Contributes To Better Quantum Error Correction

เผยแพร่ซ้ำโดยเพลโต

ผู้ติดตาม: 0

หน้าแรก > ข่าวประชา > การเรียนรู้ของเครื่องมีส่วนช่วยแก้ไขข้อผิดพลาดควอนตัมได้ดียิ่งขึ้น

รูปภาพที่สร้างโดย AI เพื่อแสดงผลงาน

นามธรรม:
นักวิจัยจาก RIKEN Center for Quantum Computing ได้ใช้แมชชีนเลิร์นนิงเพื่อแก้ไขข้อผิดพลาดสำหรับคอมพิวเตอร์ควอนตัม ซึ่งเป็นขั้นตอนสำคัญในการทำให้อุปกรณ์เหล่านี้ใช้งานได้จริง โดยใช้ระบบแก้ไขอัตโนมัติที่แม้จะเป็นเพียงการประมาณเท่านั้น แต่ก็สามารถกำหนดวิธีที่ดีที่สุดในการแก้ไขที่จำเป็นได้อย่างมีประสิทธิภาพ

การเรียนรู้ของเครื่องมีส่วนช่วยในการแก้ไขข้อผิดพลาดควอนตัมได้ดีขึ้น

วาโกะ ญี่ปุ่น | โพสต์เมื่อวันที่ 8 กันยายน 2023

ตรงกันข้ามกับคอมพิวเตอร์แบบคลาสสิกซึ่งทำงานบนบิตที่รับเฉพาะค่าพื้นฐาน 0 และ 1 เท่านั้น คอมพิวเตอร์ควอนตัมทำงานบน "คิวบิต" ซึ่งสามารถสันนิษฐานได้ว่ามีการซ้อนทับของสถานะพื้นฐานการคำนวณใดๆ เมื่อรวมกับการพัวพันควอนตัม ซึ่งเป็นคุณลักษณะควอนตัมอีกประการหนึ่งที่เชื่อมโยงคิวบิตที่แตกต่างกันนอกเหนือจากวิธีการแบบคลาสสิก ซึ่งช่วยให้คอมพิวเตอร์ควอนตัมสามารถดำเนินการใหม่ทั้งหมดได้ ซึ่งก่อให้เกิดข้อได้เปรียบที่เป็นไปได้ในงานคำนวณบางอย่าง เช่น การค้นหาขนาดใหญ่ ปัญหาการปรับให้เหมาะสม และการเข้ารหัส

ความท้าทายหลักในการนำคอมพิวเตอร์ควอนตัมไปใช้จริงนั้นเกิดจากธรรมชาติที่เปราะบางอย่างยิ่งของการซ้อนควอนตัม แท้จริงแล้ว การก่อกวนเล็กๆ น้อยๆ ที่เกิดขึ้นจากการมีอยู่ทั่วไปของสภาพแวดล้อมทำให้เกิดข้อผิดพลาดที่ทำลายการซ้อนทับของควอนตัมอย่างรวดเร็ว และเป็นผลให้คอมพิวเตอร์ควอนตัมสูญเสียความได้เปรียบ

เพื่อเอาชนะอุปสรรคนี้ จึงได้มีการพัฒนาวิธีการที่ซับซ้อนสำหรับการแก้ไขข้อผิดพลาดควอนตัม แม้ว่าในทางทฤษฎีแล้วพวกเขาสามารถต่อต้านผลกระทบของข้อผิดพลาดได้สำเร็จ แต่มักจะมาพร้อมกับความซับซ้อนของอุปกรณ์จำนวนมาก ซึ่งในตัวมันเองก็มีแนวโน้มที่จะเกิดข้อผิดพลาดและอาจเพิ่มความเสี่ยงที่จะเกิดข้อผิดพลาดอีกด้วย ด้วยเหตุนี้ การแก้ไขข้อผิดพลาดอย่างเต็มรูปแบบจึงยังคงเป็นเรื่องที่เข้าใจยาก

ในงานนี้ นักวิจัยใช้ประโยชน์จากการเรียนรู้ของเครื่องในการค้นหารูปแบบการแก้ไขข้อผิดพลาดที่จะลดค่าใช้จ่ายของอุปกรณ์ให้เหลือน้อยที่สุด ในขณะเดียวกันก็รักษาประสิทธิภาพในการแก้ไขข้อผิดพลาดที่ดี ด้วยเหตุนี้ พวกเขาจึงมุ่งเน้นไปที่แนวทางอัตโนมัติในการแก้ไขข้อผิดพลาดควอนตัม โดยที่สภาพแวดล้อมจำลองที่ได้รับการออกแบบอย่างชาญฉลาดมาแทนที่ความจำเป็นในการตรวจวัดข้อผิดพลาดบ่อยครั้ง พวกเขายังดูที่ "การเข้ารหัส bosonic qubit" ซึ่งมีให้ใช้งานและใช้ในเครื่องคำนวณควอนตัมที่มีแนวโน้มและแพร่หลายที่สุดในปัจจุบันซึ่งใช้วงจรตัวนำยิ่งยวด

การค้นหาผู้สมัครที่มีประสิทธิภาพสูงในพื้นที่การค้นหาอันกว้างใหญ่ของการเข้ารหัส bosonic qubit แสดงถึงงานการปรับให้เหมาะสมที่ซับซ้อน ซึ่งนักวิจัยจัดการกับการเรียนรู้แบบเสริมกำลัง ซึ่งเป็นวิธีการเรียนรู้ของเครื่องขั้นสูง โดยที่ตัวแทนจะสำรวจสภาพแวดล้อมที่เป็นนามธรรมเพื่อเรียนรู้และปรับนโยบายการดำเนินการให้เหมาะสม ด้วยเหตุนี้ กลุ่มพบว่าการเข้ารหัส qubit โดยประมาณที่เรียบง่ายอย่างน่าประหลาดใจไม่เพียงแต่สามารถลดความซับซ้อนของอุปกรณ์ได้อย่างมากเมื่อเทียบกับการเข้ารหัสอื่นๆ ที่เสนอ แต่ยังมีประสิทธิภาพเหนือกว่าคู่แข่งในแง่ของความสามารถในการแก้ไขข้อผิดพลาดอีกด้วย

Yexiong Zeng ผู้เขียนรายงานฉบับแรกกล่าวว่า "งานของเราไม่เพียงแต่แสดงให้เห็นถึงศักยภาพในการปรับใช้การเรียนรู้ของเครื่องเพื่อการแก้ไขข้อผิดพลาดควอนตัมเท่านั้น แต่ยังอาจนำเราเข้าใกล้การดำเนินการแก้ไขข้อผิดพลาดควอนตัมที่ประสบความสำเร็จในการทดลองอีกก้าวหนึ่งอีกด้วย"

ตามที่ Franco Nori กล่าว "การเรียนรู้ของเครื่องสามารถมีบทบาทสำคัญในการจัดการกับความท้าทายด้านการคำนวณควอนตัมขนาดใหญ่และการเพิ่มประสิทธิภาพ ปัจจุบันเรามีส่วนร่วมอย่างแข็งขันในโครงการหลายโครงการที่บูรณาการการเรียนรู้ของเครื่อง โครงข่ายประสาทเทียม การแก้ไขข้อผิดพลาดควอนตัม และความทนทานต่อข้อผิดพลาดของควอนตัม”

####

สำหรับข้อมูลเพิ่มเติมกรุณาคลิก โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม

ติดต่อ:
เจนส์ วิลคินสัน
RIKEN
สำนักงาน: 81-484-621-424

ลิขสิทธิ์ © ริเก้น

หากคุณมีความคิดเห็นโปรด ติดต่อ เรา

ผู้ออกข่าวประชาสัมพันธ์ไม่ใช่ 7th Wave, Inc. หรือ Nanotechnology Now มีหน้าที่รับผิดชอบต่อความถูกต้องของเนื้อหา แต่เพียงผู้เดียว

บุ๊คมาร์ค: