Onderzoekers van de Universiteit van Sydney en kwantumcontrole startup Q-CTRL hebben vandaag een manier aangekondigd om bronnen van fouten in kwantumcomputers te identificeren door middel van machine learning. hardwareontwikkelaars de mogelijkheid bieden om prestatievermindering met ongekende nauwkeurigheid te lokaliseren en paden naar bruikbare kwantumcomputers te versnellen.

Een gezamenlijk wetenschappelijk artikel waarin het onderzoek wordt beschreven, getiteld "Quantum Oscillator Noise Spectroscopie via Displaced Cat States, " is gepubliceerd in de Fysieke beoordelingsbrieven , 's werelds belangrijkste natuurwetenschappelijke onderzoekstijdschrift en vlaggenschippublicatie van de American Physical Society (APS Physics).

Gericht op het verminderen van fouten veroorzaakt door omgevingslawaai - de achilleshiel van kwantumcomputing - ontwikkelde het team van de Universiteit van Sydney een techniek om de kleinste afwijkingen te detecteren van de precieze omstandigheden die nodig zijn om kwantumalgoritmen uit te voeren met behulp van ingesloten ionen en supergeleidende kwantumcomputerhardware. Dit zijn de kerntechnologieën die worden gebruikt door de toonaangevende industriële quantum computing-inspanningen bij IBM, Google, schat, IonQ, en anderen.

Om de bron van de gemeten afwijkingen te lokaliseren, Q-CTRL-wetenschappers ontwikkelden een nieuwe manier om de meetresultaten te verwerken met behulp van aangepaste algoritmen voor machine learning. In combinatie met de bestaande kwantumcontroletechnieken van Q-CTRL, de onderzoekers waren ook in staat om de impact van achtergrondinterferentie in het proces te minimaliseren. Hierdoor kon gemakkelijk onderscheid worden gemaakt tussen "echte" ruisbronnen die konden worden opgelost en fantoomartefacten van de metingen zelf.

"Het combineren van geavanceerde experimentele technieken met machine learning heeft enorme voordelen opgeleverd bij de ontwikkeling van kwantumcomputers, " zei Dr. Cornelius Hempel van ETH Zürich, die het onderzoek uitvoerde aan de Universiteit van Sydney. "Het Q-CTRL-team was in staat om snel een professioneel ontworpen machine learning-oplossing te ontwikkelen waarmee we onze gegevens konden begrijpen en een nieuwe manier om de problemen in de hardware te 'zien' en aan te pakken."

Q-CTRL CEO en professor aan de Universiteit van Sydney, Michael J. Biercuk, zei:"Het vermogen om bronnen van prestatievermindering in kwantumhardware te identificeren en te onderdrukken, is van cruciaal belang voor zowel fundamenteel onderzoek als industriële inspanningen om kwantumsensoren en kwantumcomputers te bouwen.

"Kwantumcontrole, aangevuld met machine learning, heeft een weg getoond om deze systemen praktisch bruikbaar te maken en de R&D-tijdlijnen drastisch te versnellen, " hij zei.

"De gepubliceerde resultaten in een prestigieuze, peer-reviewed tijdschrift valideert het voordeel van voortdurende samenwerking tussen fundamenteel wetenschappelijk onderzoek in een universitair laboratorium en deep-tech startups. We zijn verheugd om het veld vooruit te helpen door onze samenwerking."