Kwantumcomputers op korte termijn, kwantumcomputers die vandaag of in de nabije toekomst zijn ontwikkeld, zouden kunnen helpen om sommige problemen effectiever aan te pakken dan klassieke computers. Een mogelijke toepassing voor deze computers zou kunnen zijn in de natuurkunde, scheikunde en materiaalkunde, om kwantumsimulaties uit te voeren en de grondtoestanden van kwantumsystemen te bepalen.

Sommige kwantumcomputers die de afgelopen jaren zijn ontwikkeld, zijn redelijk effectief gebleken in het uitvoeren van kwantumsimulaties. De benaderingen voor kwantumcomputing op korte termijn worden echter nog steeds beperkt door bestaande hardwarecomponenten en door de nadelige effecten van achtergrondgeluid.

Onderzoekers van 1QB Information Technologies (1QBit), University of Waterloo en het Perimeter Institute for Theoretical Physics hebben onlangs neurale foutbeperking ontwikkeld, een nieuwe strategie die de schattingen van de grondtoestand kan verbeteren die zijn verkregen met behulp van kwantumsimulaties. Deze strategie, geïntroduceerd in een paper gepubliceerd in Nature Machine Intelligence , is gebaseerd op machine learning-algoritmen.

"We introduceren neurale foutbeperking, waarbij neurale netwerken worden gebruikt om schattingen van grondtoestanden en waarnemingen van grondtoestanden die zijn verkregen met behulp van kwantumsimulaties op korte termijn te verbeteren", schreven Elizabeth R. Bennewitz en haar collega's in hun paper.

Neural error mitigation (NEM), de nieuwe strategie die door de onderzoekers is bedacht, heeft twee belangrijke componenten of stappen. Ten eerste gebruikte het team een ​​techniek die bekend staat als neurale kwantumtoestandtomografie (NQST) om een ​​zogenaamde NQS ansalz te trainen om een ​​geschatte grondtoestand weer te geven die is voorbereid door een lawaaierig kwantumapparaat.

NQST is een machine learning-benadering die complexe kwantumtoestanden kan reconstrueren door een beperkt aantal experimenteel verzamelde metingen te analyseren. Vervolgens gebruikten Bennewitz en haar collega's een variabel Monte Carlo (VMC) -algoritme om de bestaande weergave van de onbekende grondtoestand te verbeteren. De NQS-analyse die in hun experimenten werd gebruikt, was een transformatorarchitectuur, een generatief model voor machinaal leren dat vaak is gebruikt om natuurlijke taalteksten te genereren en afbeeldingen te verwerken.

Ten slotte testten de onderzoekers de prestaties van hun neurale foutbeperkingsmethode op een echt onderzoeksprobleem. In het bijzonder testten ze het vermogen om de golffunctie en energie van de grondtoestand te identificeren van moleculaire Hamiltonianen met fermionine-interactie, wat een essentiële stap is voor het uitvoeren van simulaties van de elektroncorrelaties van een molecuul.

"Om de brede toepasbaarheid van onze methode aan te tonen, gebruiken we neurale foutbeperking om de grondtoestanden van de H₂ te vinden en LiH moleculaire Hamiltonianen, evenals het rooster Schwinger-model, opgesteld via de variabele kwantumeigensolver", schreven de onderzoekers in hun paper. "Onze resultaten laten zien dat neurale foutbeperking de numerieke en experimentele variaties van de kwantumeigensolver-berekeningen verbetert om fouten met lage energie op te leveren, hoge getrouwheid en nauwkeurige schattingen van complexere waarneembare zaken zoals ordeparameters en verstrengelingsentropie zonder dat er extra kwantumbronnen nodig zijn."

In de toekomst zou neurale foutsimulatie kunnen worden gebruikt om ruisgerelateerde fouten te verminderen in kwantumsimulaties die worden uitgevoerd met apparaten op korte termijn. Dit kan belangrijke implicaties hebben voor veel onderzoeksgebieden, waaronder scheikunde, natuurkunde en materiaalkunde, omdat het kan leiden tot nauwkeurigere schattingen of nieuwe inzichtelijke ontdekkingen.

"Neurale foutbeperking is ook agnostisch met betrekking tot het gebruikte kwantumtoestandvoorbereidingsalgoritme, de kwantumhardware waarop het is geïmplementeerd en het specifieke ruiskanaal dat het experiment beïnvloedt, wat bijdraagt ​​​​aan de veelzijdigheid ervan als hulpmiddel voor kwantumsimulatie", schreven de onderzoekers in hun papier. + Verder verkennen

Verstrengeling ontgrendelt schaling voor kwantummachine learning

© 2022 Science X Network