Quantum computing blijft in een snel tempo vooruitgaan, maar een uitdaging die het veld tegenhoudt, is het verminderen van het geluid dat kwantummachines teistert. Dit leidt tot veel hogere foutenpercentages in vergelijking met klassieke computers.

Deze ruis wordt vaak veroorzaakt door imperfecte stuursignalen, interferentie uit de omgeving en ongewenste interacties tussen qubits, de bouwstenen van een kwantumcomputer. Het uitvoeren van berekeningen op een kwantumcomputer omvat een 'kwantumcircuit', een reeks bewerkingen die kwantumpoorten worden genoemd. Deze kwantumpoorten, die zijn toegewezen aan de individuele qubits, veranderen de kwantumtoestanden van bepaalde qubits, die vervolgens de berekeningen uitvoeren om een ​​probleem op te lossen.

Maar kwantumpoorten introduceren ruis, wat de prestaties van een kwantummachine kan belemmeren.

Onderzoekers van het MIT en elders werken aan een oplossing voor dit probleem door een techniek te ontwikkelen die het kwantumcircuit zelf bestand maakt tegen ruis. (Dit zijn met name 'geparametriseerde' kwantumcircuits die instelbare kwantumpoorten bevatten.) Het team creëerde een raamwerk dat het meest robuuste kwantumcircuit voor een bepaalde computertaak kan identificeren en een kaartpatroon kan genereren dat is afgestemd op de qubits van een gericht kwantum apparaat.

Hun raamwerk, QuantumNAS (noise adaptive search) genoemd, is veel minder rekenintensief dan andere zoekmethoden en kan kwantumcircuits identificeren die de nauwkeurigheid van machine learning en kwantumchemietaken verbeteren. Toen de onderzoekers hun techniek gebruikten om kwantumcircuits voor echte kwantumapparaten te identificeren, presteerden hun circuits beter dan die gegenereerd met andere methoden.

"Het belangrijkste idee hier is dat we zonder deze techniek elke afzonderlijke kwantumcircuitarchitectuur en elk mappingscenario in de ontwerpruimte moeten bemonsteren, trainen, evalueren, en als het niet goed is, moeten we het weggooien en opnieuw beginnen Maar met deze methode kunnen we veel verschillende circuits en kaartstrategieën tegelijk verkrijgen zonder dat we veel training nodig hebben", zegt Song Han, universitair hoofddocent bij de afdeling Electrical Engineering and Computer Science (EECS) en senior auteur van het papier.

Naast Han op het papier zijn hoofdauteur Hanrui Wang en Yujun Lin, beide EECS-afgestudeerde studenten; Yongshan Ding, een assistent-professor computerwetenschappen aan de Yale University; David Z. Pan, de Silicon Laboratories Endowed Chair in Electrical Engineering aan de Universiteit van Texas in Austin, en UT Austin grad student Jiaqi Gu; Fred Chong, de Seymour Goodman Professor in de afdeling Computerwetenschappen aan de Universiteit van Chicago; en Zirui Li, een student aan de Shanghai Jiao Tong University. Het onderzoek zal worden gepresenteerd op het IEEE International Symposium on High-Performance Computer Architecture.

Veel ontwerpkeuzes

Het construeren van een geparametriseerd kwantumcircuit omvat het selecteren van een aantal kwantumpoorten, dit zijn fysieke bewerkingen die de qubits zullen uitvoeren. Dit is geen gemakkelijke taak, aangezien er veel soorten poorten zijn om uit te kiezen. Een circuit kan ook een willekeurig aantal poorten hebben, en de posities van die poorten - naar welke fysieke qubits ze verwijzen - kunnen variëren.

"Met zoveel verschillende keuzes is de ontwerpruimte extreem groot. De uitdaging is hoe je een goede circuitarchitectuur ontwerpt. Met QuantumNAS willen we die architectuur zo ontwerpen dat deze zeer robuust kan zijn tegen ruis", zegt Wang.

De onderzoekers concentreerden zich op variabele kwantumcircuits, die kwantumpoorten gebruiken met trainbare parameters die een machine learning of kwantumchemietaak kunnen leren. Om een ​​​​variatie kwantumcircuit te ontwerpen, moet een onderzoeker meestal het circuit met de hand ontwerpen of op regels gebaseerde methoden gebruiken om het circuit voor een bepaalde taak te ontwerpen, en vervolgens proberen de ideale set parameters voor elke kwantumpoort te vinden via een optimalisatieproces .

In de naïeve zoekmethode, waarbij mogelijke circuits afzonderlijk worden geëvalueerd, moeten de parameters voor elk kandidaat-quantumcircuit worden getraind, wat resulteert in een enorme rekenkundige overhead. Maar de onderzoeker moet in de eerste plaats ook het ideale aantal parameters en de circuitarchitectuur identificeren.

In klassieke neurale netwerken verhoogt het opnemen van meer parameters vaak de nauwkeurigheid van het model. Maar bij variabele kwantumcomputing vereisen meer parameters meer kwantumpoorten, die meer ruis introduceren.

Met QuantumNAS proberen de onderzoekers de totale zoek- en trainingskosten te verlagen, terwijl ze het kwantumcircuit identificeren dat het ideale aantal parameters en de juiste architectuur bevat om de nauwkeurigheid te maximaliseren en ruis te minimaliseren.

Een 'SuperCircuit' bouwen

Om dat te doen, ontwerpen ze eerst een "SuperCircuit", dat alle mogelijke geparameteriseerde kwantumpoorten in de ontwerpruimte bevat. Dat SuperCircuit zal worden gebruikt om kleinere kwantumcircuits te genereren die kunnen worden getest.

Ze trainen het SuperCircuit één keer, en omdat alle andere kandidaatcircuits in de ontwerpruimte subsets zijn van het SuperCircuit, erven ze overeenkomstige parameters die al zijn getraind. Dit vermindert de rekenkundige overhead van het proces.

Nadat het SuperCircuit is getraind, wordt het gebruikt om te zoeken naar circuitarchitecturen die voldoen aan een bepaald doel, in dit geval een hoge robuustheid tegen ruis. Het proces omvat het zoeken naar kwantumcircuits en qubit-toewijzingen tegelijkertijd met behulp van een zogenaamd evolutionair zoekalgoritme.

Dit algoritme genereert een aantal kandidaten voor kwantumcircuits en qubit-mapping, en evalueert vervolgens hun nauwkeurigheid met een ruismodel of op een echte machine. De resultaten worden teruggekoppeld naar het algoritme, dat de best presterende onderdelen selecteert en deze gebruikt om het proces opnieuw te starten totdat de ideale kandidaten zijn gevonden.

"We weten dat verschillende qubits verschillende eigenschappen en gate-foutpercentages hebben. Omdat we slechts een subset van de qubits gebruiken, waarom gebruiken we dan niet de meest betrouwbare? We kunnen dit doen door samen te zoeken naar de architectuur en de qubit in kaart brengen", legt Wang uit.

Zodra de onderzoekers bij het beste kwantumcircuit zijn aangekomen, trainen ze de parameters ervan en voeren ze kwantumpoortsnoei uit door alle kwantumpoorten met waarden dicht bij nul te verwijderen, omdat ze niet veel bijdragen aan de algehele prestaties. Door deze poorten te verwijderen, worden bronnen van ruis verminderd en worden de prestaties op echte kwantummachines verder verbeterd. Vervolgens finetunen ze de resterende parameters om de verloren nauwkeurigheid te herstellen.

Nadat die stap is voltooid, kunnen ze het kwantumcircuit implementeren op een echte machine.

Toen de onderzoekers hun circuits testten op echte kwantumapparaten, presteerden ze beter dan alle basislijnen, inclusief circuits die met de hand zijn ontworpen door mensen en anderen die zijn gemaakt met behulp van andere computationele methoden. In één experiment gebruikten ze QuantumNAS om een ​​ruisrobuust kwantumcircuit te produceren dat werd gebruikt om de grondtoestandsenergie voor een bepaald molecuul te schatten, wat een belangrijke stap is in de kwantumchemie en het ontdekken van geneesmiddelen. Hun methode maakte een nauwkeurigere schatting dan een van de basislijnen.

Nu ze de effectiviteit van QuantumNAS hebben aangetoond, willen ze deze principes gebruiken om de parameters in een kwantumcircuit robuust te maken tegen ruis. De onderzoekers willen ook de schaalbaarheid van een kwantumneuraal netwerk verbeteren door een kwantumcircuit te trainen op een echte kwantummachine, in plaats van op een klassieke computer.

"Dit is een interessant werk dat zoekt naar ruisrobuuste ansatz- en qubit-mapping van parametrische kwantumcircuits", zegt Yiyu Shi, een professor in computerwetenschappen en techniek aan de Universiteit van Notre Dame, die niet betrokken was bij dit onderzoek. "Anders dan de naïeve zoekmethode die een groot aantal kandidaten individueel traint en evalueert, leidt dit werk een SuperCircuit op en gebruikt het om veel kandidaten te evalueren, wat veel efficiënter is."

"In dit werk verlichten Hanrui en medewerkers de uitdaging van het zoeken naar een efficiënt geparametriseerd kwantumcircuit door één SuperCircuit te trainen en het te gebruiken om veel kandidaten te evalueren, wat zeer efficiënt wordt omdat het één trainingsprocedure vereist. Zodra het SuperCircuit is getraind, kan het worden gebruikt om te zoeken naar de ansatz- en qubit-mapping van het circuit. Na het trainen van de SuperCircuit kunnen we het gebruiken om te zoeken naar de ansatz- en qubit-mapping van het circuit. Het evaluatieproces wordt gedaan met behulp van ruismodellen of draait op de echte kwantummachine, "zegt Sona Najafi , een onderzoeker bij IBM Quantum die niet bij dit werk betrokken was. "Het protocol is getest met behulp van IBMQ-kwantummachines op VQE- en QNN-taken die nauwkeurigere grondtoestandsenergie en hogere classificatienauwkeurigheid aantonen."

Om meer werk op dit gebied aan te moedigen, creëerden de onderzoekers een open-sourcebibliotheek, TorchQuantum genaamd, die informatie bevat over hun projecten, tutorials en tools die door andere onderzoeksgroepen kunnen worden gebruikt. + Verder verkennen

Onderzoekers simuleren met succes een circuit van 64 qubit