(Phys.org) — Natuurkundigen hebben het vermogen van machine learning-algoritmen om te leren van ervaring toegepast op een van de grootste uitdagingen waarmee kwantumcomputing momenteel wordt geconfronteerd:kwantumfoutcorrectie, die wordt gebruikt om ruistolerante quantum computing-protocollen te ontwerpen. In een nieuwe studie, ze hebben aangetoond dat een type neuraal netwerk, een Boltzmann-machine genaamd, kan worden getraind om de fouten in een kwantumcomputerprotocol te modelleren en vervolgens de beste methode te bedenken en implementeren om de fouten te corrigeren.

de fysici, Giacomo Torlai en Roger G. Melko aan de Universiteit van Waterloo en het Perimeter Institute for Theoretical Physics, hebben een paper gepubliceerd over het nieuwe machine learning-algoritme in een recent nummer van: Fysieke beoordelingsbrieven .

"Het idee achter neurale decodering is om het proces van het construeren van een decoderingsalgoritme voor een specifieke coderealisatie te omzeilen (gezien enkele benaderingen van de ruis), en laat een neuraal netwerk leren hoe het herstel rechtstreeks uit onbewerkte gegevens kan worden uitgevoerd, verkregen door eenvoudige metingen op de code, " vertelde Torlai Phys.org . "Met de recente vooruitgang in kwantumtechnologieën en een golf van kwantumapparaten die op korte termijn beschikbaar komen, neurale decoders zullen de verschillende architecturen kunnen accommoderen, evenals verschillende geluidsbronnen."

Zoals de onderzoekers uitleggen, een Boltzmann-machine is een van de eenvoudigste soorten stochastische kunstmatige neurale netwerken, en het kan worden gebruikt om een ​​grote verscheidenheid aan gegevens te analyseren. Neurale netwerken extraheren kenmerken en patronen uit onbewerkte gegevens, wat in dit geval een dataset is die de mogelijke fouten bevat die kwantumtoestanden kunnen aantasten.

Zodra het nieuwe algoritme, die de natuurkundigen een neurale decoder noemen, is getraind op deze gegevens, het is in staat een nauwkeurig model te construeren van de kansverdeling van de fouten. Met deze informatie, de neurale decoder kan de juiste foutketens genereren die vervolgens kunnen worden gebruikt om de juiste kwantumtoestanden te herstellen.

De onderzoekers testten de neurale decoder op kwantumtopologische codes die veel worden gebruikt in kwantumcomputers, en toonde aan dat het algoritme relatief eenvoudig te implementeren is. Een ander voordeel van het nieuwe algoritme is dat het niet afhankelijk is van de specifieke geometrie, structuur, of dimensie van de gegevens, waardoor het kan worden gegeneraliseerd naar een breed scala aan problemen.

In de toekomst, de natuurkundigen zijn van plan om verschillende manieren te onderzoeken om de prestaties van het algoritme te verbeteren, bijvoorbeeld door meerdere Boltzmann-machines op elkaar te stapelen om een ​​netwerk te bouwen met een diepere structuur. De onderzoekers zijn ook van plan om de neurale decoder toe te passen op complexere, realistische codes.

"Tot dusver, neurale decoders zijn getest op eenvoudige codes die doorgaans worden gebruikt voor benchmarks, "Zei Torlai. "Een eerste richting zou zijn om foutcorrectie uit te voeren op codes waarvoor nog een efficiënte decoder moet worden gevonden, bijvoorbeeld Low Density Parity Check-codes. Op de lange termijn denk ik dat neurale decodering een belangrijke rol zal spelen bij het omgaan met grotere kwantumsystemen (honderden qubits). Het vermogen om hoogdimensionale objecten te comprimeren tot laagdimensionale representaties, waaruit het succes van machine learning voortkomt, zal het mogelijk maken om de complexe verdeling getrouw vast te leggen die de fouten in het systeem relateert aan de meetresultaten."

© 2017 Fys.org