Comparing and learning figures of merit for quantum circuit compilation
Dieses Paper schlägt ein Machine-Learning-Framework vor, das eine neuartige gewichtete Gütezahl (wPST) für Quantenschaltkreise vorhersagt, indem es zuerst die erforderlichen Kompilierungsgatter schätzt und anschließend das Hardware-Rauschen berücksichtigt, wodurch es herkömmliche Metriken bei der Auswahl hochwertiger Schaltkreise für Quanten-Geräte signifikant übertrifft.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, den perfekten Kuchen zu backen, aber Sie haben keine normale Küche. Stattdessen haben Sie einen chaotischen, lärmenden Ofen, in dem die Hitze wild schwankt, und Ihre Rührschüssel lässt sich nur mit bestimmten Stellen auf der Arbeitsplatte verbinden. Dies ist die aktuelle Realität des Quantencomputings. Wissenschaftler bauen Maschinen, die sich die seltsamen Regeln der Quantenmechanik zunutze machen – wie Superposition (an zwei Orten gleichzeitig zu sein) und Verschränkung (spukhafte Verbindungen zwischen Teilchen) –, um Probleme zu lösen, für deren Bewältigung Supercomputer tausende von Jahren bräuchten. Aber diese Maschinen sind fragil. Sie befinden sich in dem, was Experten als „Noisy Intermediate-Scale“-Ära bezeichnen, was bedeutet, dass sie zwar leistungsstark, aber fehleranfällig sind und ihre Teile (Qubits) nicht immer direkt miteinander kommunizieren können.
Um einen Quantenalgorithmus auf dieser chaotischen Hardware zum Laufen zu bringen, müssen Sie ihn „kompilieren“. Stellen Sie sich die Kompilierung wie das Übersetzen eines Rezepts, das für eine perfekte Küche geschrieben wurde, in eine Reihe von Anweisungen vor, die in Ihrer chaotischen Küche tatsächlich befolgt werden können. Sie müssen vielleicht zusätzliche Schritte hinzufügen, wie das Bewegen von Zutaten (SWAP-Gates), um die richtigen Schüsseln zu erreichen, oder Sie müssen vielleicht einen schicken Schneebesen gegen einen Löffel austauschen, weil der Schneebesen nicht passt. Die große Frage ist: Woher wissen Sie, welche Reihe von Anweisungen tatsächlich zu einem guten Kuchen führen wird? Sie brauchen eine Möglichkeit, die Qualität Ihres Rezepts zu messen, noch bevor Sie den Ofen einschalten. Hier kommen „Figures of Merit“ ins Spiel – im Grunde ein Bewertungsbogen dafür, wie gut ein Quantenschaltkreis funktionieren wird.
Diese Arbeit befasst sich mit dem schwierigen Problem, den perfekten Bewertungsbogen zu finden. Die Autoren, Harshdeep Singh und sein Team von der Chalmers University of Technology und der Universität Göteborg, argumentieren, dass die alten Wege, Quantenschaltkreise zu bewerten, entweder zu einfach oder zu schwer zu berechnen sind. Einfache Scores, wie etwa das Zählen der Anzahl der Schritte im Rezept, sind leicht zu überprüfen, sagen Ihnen aber nicht, ob der Kuchen tatsächlich gut schmecken wird. Am anderen Ende steht der „perfekte“ Score, der voraussetzt, dass man den Kuchen tatsächlich backt (den Schaltkreis ausführt) und ihn probiert, aber dies für jede mögliche Rezeptvariation zu tun, würde ewig dauern.
Das Team schlägt einen neuen, klügeren Bewertungsbogen namens wPST (weighted Probability of Successful Trials) vor. Stellen Sie sich vor, Sie bewerten die Prüfung eines Schülers. Die alte Methode (PST) besagt, dass man nur dann eine perfekte 100 % erhält, wenn man jede einzelne Antwort richtig hat. Wenn man auch nur eine einzige Frage falsch beantwortet, bekommt man eine Null. Das ist hart und sagt einem nicht, ob der Schüler 99 % des Stoffes oder nur 10 % beherrscht. Die neue wPST-Methode ist nachsichtiger und informativer: Sie gibt Teilpunkte. Wenn man 9 von 10 Antworten richtig hat, erhält man eine Punktzahl von 0,9. Dies erfasst die „Güte“ des Ergebnisses viel besser, besonders wenn die Maschine verrauscht ist und kleine Fehler unvermeidlich sind.
Die Berechnung selbst dieses neuen Scores erfordert jedoch normalerweise das Ausführen des Schaltkreises, was langsam ist. Um dies zu lösen, haben die Autoren ein Modell für maschinelles Lernen trainiert – ein digitales Gehirn –, das den wPST-Score allein durch das Betrachten des Rezepts (des Schaltkreises) und der Karte der Küche (der Hardware) vorhersagt. Sie haben dieses Modell mit tausenden von Beispielen gefüttert und es gelehrt, Muster zu erkennen wie „zu viele Schritte“, „zu viele verschränkte Zutaten“ oder „die Verwendung eines Qubits mit einer kurzen Aufmerksamkeitsspanne“.
Die Ergebnisse sind vielversprechend. In Simulationen und Tests auf echten IBM-Quantencomputern sagte ihr Machine-Learning-Modell den Erfolg eines Schaltkreises mit einer viel höheren Genauigkeit voraus als traditionelle Methoden. Während alte Methoden wie das Zählen von Gattern nur eine Korrelation von etwa 40–50 % mit dem tatsächlichen Erfolg aufwiesen, sprang ihr neues Modell auf eine Korrelation von über 90 %. Das ist eine massive Verbesserung und steigert die Genauigkeit ihrer Vorhersagen effektiv um mehr als 50 %.
Um dies für reale Quanten-Compiler nutzbar zu machen, haben die Autoren auch einen zweistufigen Trick entworfen. Normalerweise kann man den endgültigen Score erst kennen, wenn der Schaltkreis vollständig für die spezifische Maschine übersetzt wurde. Aber ihr System kann zuerst erraten, wie viele zusätzliche Schritte die Maschine hinzufügen wird (wie die Vorhersage, wie viele Umwege ein GPS hinzufügen wird), und nutzt dann diese Schätzung, um den endgültigen wPST-Score vorherzusagen. Dies ermöglicht es dem Compiler, das beste Rezept sofort auszuwählen, ohne zuerst den langsamen, teuren Test durchzuführen.
Kurz gesagt: Die Arbeit legt nahe, dass wir durch die Verwendung eines klügeren Systems zur Vergabe von Teilpunkten (wPST) in Kombination mit einem schnellen, trainierten KI-Prädiktor bessere Quantenschaltkreise schneller bauen können. Es löst nicht alle Probleme des Quantencomputings, aber es bietet einen wesentlich zuverlässigeren Weg, um durch die verrauschten, unruhigen Gewässer der heutigen Quantenhardware zu navigieren und uns näher an jene perfekten Quantenkuchen zu bringen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.