Una tecnica per rendere il calcolo quantistico più resiliente al rumore, aumentando le prestazioni

Didascalia:I ricercatori hanno sviluppato una tecnica per rendere il calcolo quantistico più resiliente al rumore, aumentando le prestazioni. Crediti: Christine Daniloff, MIT

Il calcolo quantistico continua ad avanzare a un ritmo rapido, ma una sfida che frena il campo è mitigare il rumore che affligge le macchine quantistiche. Ciò porta a tassi di errore molto più elevati rispetto ai computer classici.

Questo rumore è spesso causato da segnali di controllo imperfetti, interferenze dall’ambiente e interazioni indesiderate tra i qubit, che sono gli elementi costitutivi di un computer quantistico. L’esecuzione di calcoli su un computer quantistico implica un “circuito quantistico”, che è una serie di operazioni chiamate porte quantistiche. Queste porte quantistiche, che sono mappate sui singoli qubit, modificano gli stati quantistici di alcuni qubit, che quindi eseguono i calcoli per risolvere un problema.

Ma le porte quantistiche introducono rumore, che può ostacolare le prestazioni di una macchina quantistica.

I ricercatori del MIT e altrove stanno lavorando per superare questo problema sviluppando una tecnica che renda il circuito quantistico stesso resiliente al rumore. (In particolare, si tratta di circuiti quantistici “parametrizzati” che contengono porte quantistiche regolabili.) Il team ha creato un framework in grado di identificare il circuito quantistico più robusto per una particolare attività di calcolo e generare un modello di mappatura su misura per i qubit di un quantistico mirato dispositivo.

Il loro framework, chiamato QuantumNAS (noise adaptive search), è molto meno intensivo dal punto di vista computazionale rispetto ad altri metodi di ricerca e può identificare circuiti quantistici che migliorano l’accuratezza delle attività di apprendimento automatico e chimica quantistica. Quando i ricercatori hanno utilizzato la loro tecnica per identificare circuiti quantistici per dispositivi quantistici reali, i loro circuiti hanno superato quelli generati utilizzando altri metodi.

“L’idea chiave qui è che, senza questa tecnica, dobbiamo campionare ogni singola architettura del circuito quantistico e scenario di mappatura nello spazio di progettazione, addestrarli, valutarli e, se non va bene, dobbiamo buttarlo via e ricominciare da capo Ma usando questo metodo, possiamo ottenere molti circuiti diversi e strategie di mappatura contemporaneamente senza bisogno di molte volte di formazione”, afferma Song Han, professore associato presso il Dipartimento di ingegneria elettrica e informatica (EECS) e autore senior di la carta.

Insieme a Han sul documento ci sono l’autore principale Hanrui Wang e Yujun Lin, entrambi studenti laureati EECS; Yongshan Ding, assistente professore di informatica alla Yale University; David Z. Pan, la cattedra dotata di laboratori di silicio in ingegneria elettrica presso l’Università del Texas ad Austin, e lo studente laureato dell’UT Austin Jiaqi Gu; Fred Chong, Professore Seymour Goodman presso il Dipartimento di Informatica dell’Università di Chicago; e Zirui Li, uno studente universitario della Shanghai Jiao Tong University. La ricerca sarà presentata all’IEEE International Symposium on High-Performance Computer Architecture.

Molte scelte di design

La costruzione di un circuito quantistico parametrizzato implica la selezione di un numero di porte quantistiche, che sono operazioni fisiche che i qubit eseguiranno. Questo non è un compito facile, poiché ci sono molti tipi di porte tra cui scegliere. Un circuito può anche avere un numero qualsiasi di porte e le posizioni di tali porte, a quali qubit fisici vengono mappate, possono variare.

“Con così tante scelte diverse, lo spazio di progettazione è estremamente ampio. La sfida è come progettare una buona architettura di circuito. Con QuantumNAS, vogliamo progettare quell’architettura in modo che possa essere molto resistente al rumore”, afferma Wang.

I ricercatori si sono concentrati sui circuiti quantistici variazionali, che utilizzano porte quantistiche con parametri addestrabili in grado di apprendere un’attività di apprendimento automatico o di chimica quantistica. Per progettare un circuito quantistico variazionale, in genere un ricercatore deve progettare manualmente il circuito o utilizzare metodi basati su regole per progettare il circuito per un’attività particolare, quindi cercare di trovare l’insieme ideale di parametri per ciascuna porta quantistica attraverso un processo di ottimizzazione .

Nel metodo di ricerca ingenuo, in cui i possibili circuiti vengono valutati individualmente, i parametri per ciascun circuito quantistico candidato devono essere addestrati, il che si traduce in un enorme sovraccarico computazionale. Ma il ricercatore deve anche identificare in primo luogo il numero ideale di parametri e l’architettura del circuito.

Nelle reti neurali classiche, l’inclusione di più parametri spesso aumenta la precisione del modello. Ma nel calcolo quantistico variazionale, più parametri richiedono più porte quantistiche, che introducono più rumore.

Con QuantumNAS, i ricercatori cercano di ridurre i costi complessivi di ricerca e formazione, identificando al contempo il circuito quantistico che contiene il numero ideale di parametri e l’architettura appropriata per massimizzare la precisione e ridurre al minimo il rumore.

Costruire un “SuperCircuito”

Per fare ciò, prima progettano un “SuperCircuit”, che contiene tutte le possibili porte quantistiche parametrizzate nello spazio di progettazione. Quel SuperCircuit verrà utilizzato per generare circuiti quantistici più piccoli che possono essere testati.

Addestrano il SuperCircuit una volta e poi, poiché tutti gli altri circuiti candidati nello spazio di progettazione sono sottoinsiemi del SuperCircuit, ereditano i parametri corrispondenti che sono già stati addestrati. Ciò riduce l’overhead computazionale del processo.

Una volta che il SuperCircuit è stato addestrato, lo utilizzano per cercare architetture di circuiti che soddisfino un obiettivo mirato, in questo caso un’elevata robustezza al rumore. Il processo prevede la ricerca di circuiti quantistici e mappature di qubit allo stesso tempo utilizzando quello che è noto come un algoritmo di ricerca evolutiva.

Questo algoritmo genera alcuni circuiti quantistici e candidati per la mappatura dei qubit, quindi ne valuta l’accuratezza con un modello di rumore o su una macchina reale. I risultati vengono inviati all’algoritmo, che seleziona le parti con le migliori prestazioni e le utilizza per riavviare il processo fino a trovare i candidati ideali.

“Sappiamo che qubit diversi hanno proprietà e tassi di errore del gate diversi. Dal momento che stiamo utilizzando solo un sottoinsieme di qubit, perché non utilizziamo quelli più affidabili? Possiamo farlo attraverso la ricerca congiunta dell’architettura e del qubit mappatura”, spiega Wang.

Una volta che i ricercatori sono arrivati ​​al miglior circuito quantistico, ne addestrano i parametri ed eseguono la potatura delle porte quantistiche rimuovendo eventuali porte quantistiche che hanno valori vicini allo zero, poiché non contribuiscono molto alle prestazioni complessive. La rimozione di queste porte riduce le fonti di rumore e migliora ulteriormente le prestazioni su macchine quantistiche reali. Quindi mettono a punto i parametri rimanenti per recuperare l’accuratezza persa.

Al termine di questo passaggio, possono distribuire il circuito quantistico su una macchina reale.

Quando i ricercatori hanno testato i loro circuiti su dispositivi quantistici reali, hanno superato tutte le linee di base, compresi i circuiti progettati a mano dall’uomo e altri realizzati utilizzando altri metodi computazionali. In un esperimento, hanno utilizzato QuantumNAS per produrre un circuito quantistico resistente al rumore che è stato utilizzato per stimare l’energia dello stato fondamentale per una particolare molecola, che è un passo importante nella chimica quantistica e nella scoperta di farmaci. Il loro metodo ha effettuato una stima più accurata rispetto a qualsiasi linea di base.

Ora che hanno mostrato l’effetto di QuantumNAS, vogliono usare questi principi per rendere i parametri in un circuito quantistico robusti al rumore. I ricercatori vogliono anche migliorare la scalabilità di una rete neurale quantistica addestrando un circuito quantistico su una vera macchina quantistica, piuttosto che su un computer classico.

“Questo è un lavoro interessante che cerca ansatz resistenti al rumore e mappatura qubit di circuiti quantistici parametrici”, afferma Yiyu Shi, professore di informatica e ingegneria all’Università di Notre Dame, che non è stato coinvolto in questa ricerca. “Diverso dal metodo di ricerca ingenuo che addestra e valuta un gran numero di candidati individualmente, questo lavoro forma un SuperCircuit e lo utilizza per valutare molti candidati, il che è molto più efficiente”.

“In questo lavoro, Hanrui e collaboratori alleviano la sfida di cercare un circuito quantistico parametrizzato efficiente addestrando un SuperCircuit e usandolo per valutare molti candidati, il che diventa molto efficiente in quanto richiede una procedura di addestramento. Una volta che il SuperCircuit è addestrato, può essere utilizzato per cercare il circuito ansatz e la mappatura qubit. Dopo aver addestrato il SuperCircuit, possiamo usarlo per cercare il circuito ansatz e la mappatura qubit. Il processo di valutazione viene eseguito utilizzando modelli di rumore o in esecuzione sulla vera macchina quantistica”, afferma Sona Najafi , un ricercatore presso IBM Quantum che non è stato coinvolto in questo lavoro. “Il protocollo è stato testato utilizzando macchine quantistiche IBMQ su attività VQE e QNN, dimostrando un’energia dello stato fondamentale più accurata e una maggiore precisione di classificazione”.

Per incoraggiare più lavoro in quest’area, i ricercatori hanno creato una libreria open source, chiamata TorchQuantum, che contiene informazioni sui loro progetti, tutorial e strumenti che possono essere utilizzati da altri gruppi di ricerca.


I ricercatori simulano con successo un circuito a 64 qubit


Maggiori informazioni:
Hanrui Wang et al, QuantumNAS: ricerca adattiva al rumore per circuiti quantistici robusti. arXiv:2107.10845v5 [quant-ph]doi.org/10.48550/arXiv.2107.10845

Fornito dal Massachusetts Institute of Technology

Citazione: Una tecnica per rendere il calcolo quantistico più resiliente al rumore, che migliora le prestazioni (2022, 22 marzo) recuperata il 22 marzo 2022 da https://phys.org/news/2022-03-technique-quantum-resilient-noise-boosts. html

Questo documento è soggetto a copyright. Al di fuori di qualsiasi correttezza commerciale a fini di studio o ricerca privati, nessuna parte può essere riprodotta senza il permesso scritto. Il contenuto è fornito a solo scopo informativo.

Leave a Comment