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

افلاطون کے ذریعہ دوبارہ شائع کیا گیا۔

فالونگ: 0

ہوم پیج (-) > پریس > Machine learning contributes to better quantum error correction

An AI-generated image illustrating the work

خلاصہ:
Researchers from the RIKEN Center for Quantum Computing have used machine learning to perform error correction for quantum computers—a crucial step for making these devices practical—using an autonomous correction system that despite being approximate, can efficiently determine how best to make the necessary corrections.

مشین لرننگ بہتر کوانٹم غلطی کی اصلاح میں معاون ہے۔

Wako, Japan | Posted on September 8th, 2023

In contrast to classical computers, which operate on bits that can only take the basic values 0 and 1, quantum computers operate on “qubits”, which can assume any superposition of the computational basis states. In combination with quantum entanglement, another quantum characteristic that connects different qubits beyond classical means, this enables quantum computers to perform entirely new operations, giving rise to potential advantages in some computational tasks, such as large-scale searches, optimization problems, and cryptography.

کوانٹم کمپیوٹرز کو عملی جامہ پہنانے کی طرف بنیادی چیلنج کوانٹم سپرپوزیشنز کی انتہائی نازک نوعیت سے پیدا ہوتا ہے۔ درحقیقت، مثال کے طور پر، ماحول کی ہر جگہ موجودگی کی وجہ سے پیدا ہونے والی چھوٹی چھوٹی پریشانیاں ایسی غلطیوں کو جنم دیتی ہیں جو کوانٹم سپرپوزیشنز کو تیزی سے تباہ کر دیتی ہیں اور اس کے نتیجے میں، کوانٹم کمپیوٹرز اپنا کنارہ کھو دیتے ہیں۔

To overcome this obstacle, sophisticated methods for quantum error correction have been developed. While they can, in theory, successfully neutralize the effect of errors, they often come with a massive overhead in device complexity, which itself is error-prone and thus potentially even increases the exposure to errors. As a consequence, full-fledged error correction has remained elusive.

In this work, the researchers leveraged machine learning in a search for error correction schemes that minimize the device overhead while maintaining good error correcting performance. To this end, they focused on an autonomous approach to quantum error correction, where a cleverly designed, artificial environment replaces the necessity to perform frequent error-detecting measurements. They also looked at “bosonic qubit encodings”, which are, for instance, available and utilized in some of the currently most promising and widespread quantum computing machines based on superconducting circuits.

Finding high-performing candidates in the vast search space of bosonic qubit encodings represents a complex optimization task, which the researchers address with reinforcement learning, an advanced machine learning method, where an agent explores a possibly abstract environment to learn and optimize its action policy. With this, the group found that a surprisingly simple, approximate qubit encoding could not only greatly reduce the device complexity compared to other proposed encodings, but also outperformed its competitors in terms of its capability to correct errors.

اس مقالے کے پہلے مصنف، Yexiong Zeng کہتے ہیں، "ہمارا کام نہ صرف مشین لرننگ کو کوانٹم ایرر کی اصلاح کی طرف متعین کرنے کی صلاحیت کو ظاہر کرتا ہے، بلکہ یہ ہمیں تجربات میں کوانٹم ایرر درست کرنے کے کامیاب نفاذ کے ایک قدم کے قریب بھی لا سکتا ہے۔"

فرانکو نوری کے مطابق، "مشین لرننگ بڑے پیمانے پر کوانٹم کمپیوٹیشن اور اصلاحی چیلنجوں سے نمٹنے میں اہم کردار ادا کر سکتی ہے۔ فی الحال، ہم بہت سے منصوبوں میں فعال طور پر شامل ہیں جو مشین لرننگ، مصنوعی اعصابی نیٹ ورکس، کوانٹم غلطی کی اصلاح، اور کوانٹم فالٹ ٹولرنس کو مربوط کرتے ہیں۔

####

مزید معلومات کے لئے، براہ مہربانی کلک کریں یہاں

رابطے:
جینز ولکنسن
RIKEN
آفس: 81-484-621-424

کاپی رائٹ © RIKEN

اگر آپ کے پاس کوئی تبصرہ ہے، تو براہ مہربانی رابطہ کریں ہم سے.

خبروں کی ریلیز جاری کرنے والے، نہ کہ 7th Wave, Inc. یا Nanotechnology Now، مواد کی درستگی کے لیے مکمل طور پر ذمہ دار ہیں۔

بک مارک: