Quantum Gaussian processes for prediction of channel observations
Diese Arbeit erweitert die Quanten-Gauß-Prozess-Regression (QGP) zur Vorhersage der Ausgaben unbekannter Quantenkanäle, indem sie einen geschlossenen Kernel unter einem Gleichverteilungs-Prior herleitet und eine empirische Bayes-Heuristik einführt, um Skalierbarkeitseinschränkungen zu überwinden, wodurch ein treues Lernen und eine Optimierung sowohl für lokale als auch globale Multi-Qubit-Systeme selbst unter experimentellem Rauschen ermöglicht wird.
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 zu verstehen, wie eine komplexe Maschine funktioniert, indem Sie nur beobachten, was aus ihr herauskommt, ohne jemals das Gehäuse öffnen oder die Zahnräder im Inneren sehen zu dürfen. Dies ist die tägliche Realität für Wissenschaftler, die mit Quantencomputern arbeiten. Diese Maschinen manipulieren die fundamentalen Bausteine der Materie, sind aber notorisch fragil und schwer zu kontrollieren. Oftmals müssen Forscher nicht jedes einzelne Detail kennen, wie die Maschine Informationen verarbeitet; sie müssen lediglich das Ergebnis einer bestimmten Messung vorhersagen können, wie etwa die durchschnittliche Magnetisierung einer Gruppe von Atomen, nachdem die Maschine eine bestimmte Sequenz von Operationen durchlaufen hat. Die Herausforderung besteht darin, dass das Erlernen des Verhaltens der Maschine durch das Testen aller möglichen Eingaben so viel Zeit und Energie kosten würde, dass es unmöglich wird, besonders wenn die Maschinen größer werden.
Um dieses Problem zu lösen, haben sich Wissenschaftler eines statistischen Werkzeugs namens Gauß-Prozess zugewandt. Betrachten Sie dieses Werkzeug als einen hochintelligenten Ratenden. Wenn man ihm einige Beispiele zeigt, wie ein System reagiert, kann es vorhersagen, wie es sich in Situationen verhalten wird, die es noch nie gesehen hat, und gleichzeitig mitteilen, wie sicher es sich bei dieser Vermutung ist. Jahrelang funktionierte diese Methode gut für Quantensysteme, die perfekt isoliert waren und sich auf eine vorhersehbare, reversible Weise verhielten. Die reale Welt der Quantengeräte ist jedoch chaotisch. Sie interagieren mit ihrer Umgebung, verlieren Informationen und verhalten sich auf eine Weise, die nicht perfekt reversibel ist. Diese Arbeit befasst sich mit dem schwierigen Problem, dieses intelligente Ratewerkzeug auf jene chaotischen, realen Quantenmaschinen anzuwenden, die als Quantenkanäle bekannt sind.
Die Forscher begannen mit der grundlegenden Frage: Wenn wir nichts über eine spezifische Quantenmaschine wissen, außer dass sie ein gültiger physikalischer Prozess ist, was ist der vernünftigste Weg, ihr Verhalten zu erraten? Sie entschieden sich dafür, jede mögliche Art und Weise, wie die Maschine evolvieren könnte, als gleichermaßen wahrscheinlich zu betrachten – ein Konzept, das als Uniformer Prior (gleichverteilte A-priori-Verteilung) bekannt ist. Unter dieser breiten Annahme bewiesen sie mathematisch, dass die Ausgaben der Maschine einem spezifischen statistischen Muster folgen würden. Sie leiteten eine präzise Regel, oder einen Kernel, ab, der beschreibt, wie das Ergebnis für einen Input mit dem Ergebnis für einen anderen zusammenhängt. Diese Regel stützt sich auf eine einfache physikalische Idee: Je ähnlicher zwei Ausgangszustände sind, desto ähnlicher sind auch ihre Ergebnisse. Dies schuf einen neuen, mathematisch strengen Rahmen zur Vorhersage von Quantenergebnissen, ohne die internen Abläufe der Maschine vollständig verstehen zu müssen.
Doch als das Team diesen neuen Rahmen an großen Systemen testete, stieß es an eine Wand. Die mathematische Regel, die sie hergeleitet hatten, enthielt einen Faktor, der die vorhergesagten Signale extrem winzig werden ließ, sobald die Systemgröße anstieg. Für kleine Maschinen war dies handhabbar. Aber für ein System mit vierundsechzig Qubits wurde das Signal so schwach, dass es im natürlichen Rauschen der Messung unterging. Es war, als ob das Werkzeug ihnen sagen würde, dass die Maschine statistisch gesehen gar kein Signal produzieren sollte, was es unmöglich machte, etwas aus den Daten zu lernen. Die Forscher erkannten, dass ihre Annahme völliger Unwissenheit zwar mathematisch fundiert, aber für reale Experimente zu pessimistisch war. In einem kontrollierten Labor erzeugt selbst eine verrauschte Maschine meist ein klares, nicht-null Signal.
Um dies zu beheben, führte das Team eine kluge Anpassung ein. Anstatt die starre mathematische Regel die Stärke des Signals diktieren zu lassen, schlugen sie eine Methode vor, die Skala des Signals direkt aus den Daten zu lernen. Sie behielten den Teil der Regel bei, der beschreibt, wie ähnliche Inputs zu ähnlichen Outputs führen, ersetzten aber den winzigen, festen Skalierungsfaktor durch eine flexible Zahl, die abgestimmt werden konnte. Dies ermöglichte es dem Modell, den Daten zu vertrauen, die es sah. Als sie diesen angepassten Ansatz testeten, waren die Ergebnisse beeindruckend. Für das große vierundsechzig-Qubit-System versagte die ursprüngliche Methode vollständig, da sie ihre Vorhersagen nicht verbesserte, egal wie viele Messungen durchgeführt wurden. Die neue, angepasste Methode hingegen lernte das Verhalten des Systems erfolgreich. Mit zunehmender Anzahl an Messungen wurden die Vorhersagen systematisch genauer und entsprachen schließlich dem tatsächlichen Verhalten der Maschine.
Das Team blieb nicht bei Simulationen stehen. Sie brachten ihre Methode zu einem echten Quantencomputer von IBM in Boston. Sie programmierten eine kleine Vier-Qubit-Maschine, um als verrauschter Quantenkanal zu fungieren, und nutzten ihr Werkzeug, um die Ergebnisse von Messungen auf Eingaben vorherzusagen, die die Maschine zuvor noch nie gesehen hatte. Die Vorhersagen stimmten mit hoher Präzision mit den experimentellen Ergebnissen überein, was bewies, dass die Methode selbst dann funktioniert, wenn die Hardware unvollkommen und verrauscht ist. Dies demonstrierte, dass der Ansatz robust genug für die chaotische Realität der heutigen Quantentechnologie ist.
Über die bloße Vorhersage von Ergebnissen hinaus zeigten die Forscher, dass dieses Werkzeug genutzt werden kann, um die Maschine zu einem gewünschten Ziel zu führen. Sie entwarfen eine Aufgabe, bei der das Ziel darin bestand, einen spezifischen Quantenzustand durch die Anpassung der Maschineneinstellungen vorzubereiten. Unter Verwendung ihres statistischen Modells als Leitfaden konnten sie die optimalen Einstellungen viel schneller finden als Standard-Optimierungsmethoden. Dies deutet darauf an, dass die Technik zu einem wesentlichen Bestandteil der Steuerung zukünftiger Quantengeräte werden könnte, indem sie Wissenschaftlern hilft, die komplexe Landschaft des Quantenverhaltens zu navigieren, ohne Millionen teurer Experimente durchführen zu müssen. Die Arbeit schlägt die Brücke zwischen theoretischer Wahrscheinlichkeit und praktischer Anwendung und bietet einen Weg, aus Quantenmaschinen zu lernen, selbst wenn diese groß, verrauscht und weitgehend unbekannt sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.