Нанотехнології зараз – прес-реліз: машинне навчання сприяє кращому квантовому виправленню помилок

Перевидано Платоном

читають: 0

Головна > прес > Машинне навчання сприяє кращому квантовому виправленню помилок

Створене штучним інтелектом зображення, що ілюструє роботу

Анотація:
Дослідники з Центру квантових обчислень RIKEN використовували машинне навчання для виправлення помилок квантових комп’ютерів — вирішальний крок для того, щоб зробити ці пристрої практичними — використовуючи автономну систему корекції, яка, незважаючи на те, що вона наближена, може ефективно визначати, як найкраще внести необхідні виправлення.

Машинне навчання сприяє кращому квантовому виправленню помилок

Вако, Японія | Опубліковано 8 вересня 2023 р

На відміну від класичних комп’ютерів, які працюють на бітах, які можуть приймати лише базові значення 0 і 1, квантові комп’ютери працюють на «кубітах», які можуть приймати будь-яку суперпозицію базових станів обчислень. У поєднанні з квантовою заплутаністю, іншою квантовою характеристикою, яка з’єднує різні кубіти поза класичними засобами, це дозволяє квантовим комп’ютерам виконувати абсолютно нові операції, створюючи потенційні переваги в деяких обчислювальних завданнях, таких як великомасштабний пошук, проблеми оптимізації та криптографія.

Головна проблема впровадження квантових комп’ютерів на практиці пов’язана з надзвичайно крихкою природою квантових суперпозицій. Дійсно, крихітні збурення, спричинені, наприклад, повсюдною присутністю середовища, породжують помилки, які швидко руйнують квантові суперпозиції, і, як наслідок, квантові комп’ютери втрачають свою перевагу.

Щоб подолати цю перешкоду, були розроблені складні методи квантової корекції помилок. Хоча теоретично вони можуть успішно нейтралізувати вплив помилок, вони часто супроводжуються величезними накладними витратами на складність пристрою, який сам по собі є схильним до помилок і, отже, потенційно навіть збільшує вразливість помилок. Як наслідок, повноцінне виправлення помилок залишається недосяжним.

У цій роботі дослідники використовували машинне навчання для пошуку схем виправлення помилок, які мінімізують накладні витрати пристрою, зберігаючи при цьому високу ефективність виправлення помилок. З цією метою вони зосередилися на автономному підході до квантової корекції помилок, де розумно розроблене штучне середовище замінює необхідність виконувати часті вимірювання з виявленням помилок. Вони також розглянули «кодування бозонних кубітів», які, наприклад, доступні та використовуються в деяких з найбільш перспективних і поширених квантових обчислювальних машин на основі надпровідних схем.

Пошук високоефективних кандидатів у великому просторі пошуку кодувань бозонних кубітів представляє собою складне завдання оптимізації, яке дослідники вирішують за допомогою навчання з підкріпленням, розширеного методу машинного навчання, де агент досліджує, можливо, абстрактне середовище, щоб дізнатися та оптимізувати свою політику дій. Завдяки цьому група виявила, що напрочуд просте наближене кодування кубітів може не тільки значно зменшити складність пристрою порівняно з іншими запропонованими кодуваннями, але й перевершити своїх конкурентів з точки зору здатності виправляти помилки.

Yexiong Zeng, перший автор статті, каже: «Наша робота не тільки демонструє потенціал для розгортання машинного навчання для квантового виправлення помилок, але вона також може наблизити нас на крок ближче до успішного впровадження квантового виправлення помилок в експериментах».

За словами Франко Норі, «машинне навчання може зіграти ключову роль у вирішенні завдань великомасштабних квантових обчислень та оптимізації. Наразі ми беремо активну участь у ряді проектів, які інтегрують машинне навчання, штучні нейронні мережі, квантову корекцію помилок і квантову відмовостійкість».

####

Для отримання додаткової інформації натисніть тут

Контакти:
Єнс Вілкінсон
RIKEN
Кабінет: 81-484-621-424

Авторське право © RIKEN

Якщо у вас є коментар, будь ласка Контакти нам.

Видавці випусків новин, а не 7th Wave, Inc. або Nanotechnology Now, несуть повну відповідальність за точність змісту.

Закладка: