Машинное обучение справилось с исправлением ошибок в квантовых компьютерах


Новостная лента форума ailab.ru

Слева — этап измерений эволюции кубита, справа — предсказания шума в системе и реальные параметры приложенного шума (бирюзовый). n — количество измерений

Sandeep Mavadia et al. / Nature Communications, 2017

Физики из Университета Сиднея разработали метод исправления «квантовых ошибок» с помощью машинного обучения. Алгоритм предсказывает эволюцию квантового состояния и его распада и управляет его состоянием, чтобы избежать декогеренции. Методика позволит увеличить время жизни кубитов квантовых компьютеров и увеличить надежность систем на их основе. Исследование опубликовано в журнале Nature Communications.

В основе квантовых компьютеров лежат квантовые аналоги битов — кубиты. Эти элементы находятся в когерентных состояниях (в суперпозиции состояний), принимая с некоторой долей вероятности значение «ноль» или «единица». Однако это состояние очень хрупкое и взаимодействия кубита с окружающей средой разрушают его, происходит декогеренция и в результате вместо суперпозиции двух состояний кубит оказывается в одном конкретном. Если декогеренция произойдет в ходе вычислений (например, разложения числа на простые множители), то помимо правильных разложений с некоторой вероятностью будут выпадать ошибочные множители.

Проблему декогеренции кубитов как правило решают с помощью пассивных методов — усовершенствованием изоляции или топологической защитой квантовых состояний. Также существует активный подход. Его можно описать следующим образом: в каждый момент времени наблюдатель следит за квантовым состоянием кубита и если оно начинает распадаться, то с помощью системы обратной связи к нему прикладывается некоторое обращающее декогеренцию воздействие — обратная связь. Проблема активного подхода состоит в необходимости наблюдать за квантовой системой. В квантовой механике операция измерения (наблюдения) также разрушает когерентность.

Авторы новой работы попытались обойти эту проблему, используя методы управления с предсказанием. Физики использовали методы машинного обучения с учителем для поиска корреляций в квантовом шуме и процессах декогеренции. Проверка методики происходила на ионах иттербия, захваченных в оптическую ловушку. Ионы могли находиться в двух электронных состояниях, близких по энергии — условно «ноль», или «единица».

Обучение состояло из большого количества циклов из двух этапов. На первом этапе эволюция состояния кубитов отслеживались с помощью прямых измерений. На втором этапе доступ к кубиту для измерений прерывался, система начинала работать в предсказательном режиме, используя собранные данные. Система пыталась корректировать воздействия внешнего шума. После этого цикл вновь начинался с этапа отслеживания. 


Схема эксперимента. Ниже — результаты предсказательного контроля, ошибки в первом цикле снижаются примерно на 70 процентов, во втором — на 85.

Sandeep Mavadia et al. / Nature Communications, 2017

Чтобы оценить эффективность методики авторы использовали заранее известный шум, по своей интенсивности превышающий все другие возможные шумы системы. Однако информация о «запрограммированности» шума была недоступна для алгоритмов обучения. В результате физики зафиксировали снижение уровня ошибок в кубите. Ученые отмечают, что метод не требует дополнительных квантовых систем для анализа и может быть применен для любых архитектур кубитов. 

Ранее IBM сообщила о создании четырехкубитных чипов с автоматическим детектированием ошибок двух типов: декогеренции и смены бита (bit-flip) (изменяющей состояние кубита на противоположное). В их основе лежат сверхпроводящие кубиты. Задача о коррекции квантовых ошибок в кубитных чипах решена для ошибок типа смены бита.

Владимир Королёв


Источник: nplus1.ru



кроссовки нью баланс