Twee onderzoekers aan de Université de Sherbrooke, in Canada, hebben onlangs neurale geloof-propagatie (BP) decoders ontwikkeld en getraind voor quantum low-density parity-check (LDPC) codes. hun studie, geschetst in een paper gepubliceerd in Physical Review Letters, suggereert dat training de prestaties van BP-decoders aanzienlijk kan verbeteren, helpen bij het oplossen van problemen die vaak worden geassocieerd met hun toepassing in kwantumonderzoek.

"Tien jaar geleden, Ik schreef een artikel met Yeojin Chung waarin ik uitlegde hoe standaard decoderingsalgoritmen voor LDPC-codes, die veel worden gebruikt in de klassieke communicatie, zou falen in de kwantumomgeving, "David Poulin, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde Phys.org. "Dit probleem heeft me sindsdien geobsedeerd. Onlangs, mensen zijn begonnen met het onderzoeken van het gebruik van neurale netwerken om kwantumcodes te decoderen, maar ze concentreerden zich allemaal op een probleem (decodering van topologische codes) waarvoor al een aantal goede door mensen ontworpen oplossingen bestond. Dit was de perfecte gelegenheid om mijn favoriete open probleem opnieuw te bekijken en neurale netwerken te gebruiken om kwantumcodes te decoderen die geen eerder bekende decoder hadden."

Hoewel BP-decoders vaak worden toegepast in verschillende omgevingen, tot nu toe zijn ze ongeschikt gebleken voor het decoderen van kwantumfoutcorrigerende codes. Dit komt door een unieke kwantumfunctie die 'foutdegeneratie, " wat in wezen betekent dat er meerdere manieren zijn om een ​​fout in kwantuminstellingen te corrigeren.

Klassieke BP-algoritmen bestaan ​​uit drie eenvoudige vergelijkingen. De structuur van deze vergelijkingen maakt een exacte mapping naar een feed-forward neuraal netwerk mogelijk. Met andere woorden, het is mogelijk om de BP-vergelijkingen die gewoonlijk worden gebruikt om LDPC-codes te decoderen, opnieuw te interpreteren als een beschrijving van de initiële instelling van een neuraal netwerk.

Uit eerder onderzoek is gebleken dat dit 'initiële neurale netwerk' niet goed werkt in kwantumomgevingen, ondanks het bereiken van betere prestaties dan willekeurige neurale netwerken. In hun studie hebben Poulin en zijn collega Ye-Hua Liu verbeterden de prestaties van het 'initiële neurale netwerk' door het te trainen met gegevens die zijn gegenereerd door numerieke simulaties.

"De training wordt geleid door een doelfunctie die rekening houdt met kwantumeffecten, " vertelde Liu aan Phys.org. "Over het algemeen gesproken, neurale decoders hebben het voordeel dat ze zich aanpassen aan willekeurige ruisstatistieken in realistische kanalen. Naast dat, onze methode is toepasbaar op kwantum-LDPC-codes zonder reguliere roosterstructuren. Deze codes zijn veelbelovend voor het realiseren van low-overhead kwantumfoutcorrectie."

De onderzoekers ontdekten dat het trainen van de neurale BP-decoders met behulp van de techniek die ze gebruikten, hun prestaties verbeterde. voor alle families van LDPC-codes die ze hebben getest. Bovendien, de trainingstechniek die ze gebruikten, zou kunnen helpen om het degeneratieprobleem op te lossen dat over het algemeen de decodering van kwantum-LDPC-codes plaagt.

"Het trainen van het neurale BP-netwerk kan de prestaties voor kwantumfoutcorrectie aanzienlijk verbeteren, wat betekent dat een klassiek algoritme kan worden aangepast aan de kwantumomgeving door middel van diepgaande leermethoden, " zei Liu. "Dit inspireert ons om te zoeken naar andere voorbeelden zoals deze in de kwantumfysica, om een ​​breder verband tussen deep learning en natuurwetenschap te onthullen. Bijvoorbeeld, geloofsvoortplanting wordt veel gebruikt in veel andere onderzoeksgebieden, inclusief statistische fysica, wat impliceert dat neurale BP ook ten goede zou kunnen komen aan onderzoek in de kwantumstatistische fysica."

In hun toekomstige werk, Poulin en Liu zijn van plan om neurale bloeddruk te bestuderen in de context van statistische fysica. Indien getraind met dezelfde techniek, de onderzoekers verwachten dat BP, die in deze specifieke setting ook wel de 'caviteitsmethode' wordt genoemd, zal ook in deze context een verbeterde prestatie laten zien.

"Breder, geloofsvoortplanting behoort tot de belangrijke klasse van algoritmen voor het doorgeven van berichten, die nauw verwant blijkt te zijn met grafische convolutionele netwerken in deep-learning onderzoek, " Liu toegevoegd. "Het zou zeer vruchtbaar zijn om inzicht te krijgen in deze structuren vanuit het oogpunt van een natuurkundige."

© 2019 Wetenschap X Netwerk