PINNverse meets Jordan--Wigner: learning the Hamiltonian of long spin chains
Diese Arbeit zeigt, dass die Anwendung der Jordan-Wigner-Transformation auf inverse physikinformierte neuronale Netze (PINNverse) die exponentielle Skalierung beim Erlernen von Quanten-Hamilton-Operatoren eliminiert und somit die präzise Rekonstruktion von Parametern für Spin-Ketten mit bis zu 50 Qubits unter Verwendung lediglich lokaler Observablen und Netz-Ausgängen ermöglicht.
Originalarbeit unter CC0 1.0 der Gemeinfreiheit gewidmet (http://creativecommons.org/publicdomain/zero/1.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht vom Autor verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Auf der Suche nach besseren Quantencomputern stehen Wissenschaftler vor einem grundlegenden Rätsel: Wie erfährt man genau, was eine Maschine tut? Ein Quantencomputer besteht aus winzigen Einheiten, den sogenannten Qubits, die gleichzeitig in mehreren Zuständen existieren können. Um diese Maschinen funktionsfähig zu machen, müssen Ingenieure sie mit extremer Präzision kalibrieren und sicherstellen, dass die Kräfte, die die Qubits verbinden, exakt wie beabsichtigt wirken. Das Problem ist, dass mit jedem weiteren Qubit die Anzahl der Dinge, die man messen muss, so schnell ansteigt, dass es schnell unmöglich wird, sie alle zu überprüfen. Traditionelle Methoden erfordern so viele verschiedene Messeinstellungen, dass die Aufgabe für eine Maschine mit nur zwanzig Qubits länger dauern würde als das Alter des Universums. Dieser Engpass stand lange Zeit im Weg der Skalierung der Quantentechnologie und hinterließ den Forschern ein Gerät, das sie nicht vollständig verstehen oder kontrollieren konnten.
Ein Team von Physikern hat einen Weg gefunden, diese unmögliche Barriere für einen spezifischen und häufigen Typ von Quantenmaschine zu umgehen. Sie entwickelten eine neue Methode, die ein intelligentes Computerprogramm nutzt, um die verborgenen Einstellungen einer langen Kette von Qubits zu erlernen, selbst wenn diese Kette fünfzig Einheiten enthält. Der Durchbruch beruht auf einem klugen mathematischen Trick, der die Sichtweise auf das Problem verändert. Anstatt zu versuchen, jeden einzelnen möglichen Zustand der gesamten Kette zu verfolgen – was ein exponentiell wachsender Albtraum wäre –, erkannten die Forscher, dass sie das Verhalten des Systems mit einem viel kleineren, handhabbaren Satz von Zahlen beschreiben können. Indem sie die Qubits so behandelten, als wären sie ein Strom von Teilchen, die sich entlang einer Linie bewegen, reduzierten sie die Komplexität des Problems von etwas, das in seiner Größe explodiert, zu etwas, das langsam und stetig wächst. Dies ermöglichte es ihnen, ein neuronales Netz – eine Art künstliche Intelligenz, die darauf ausgelegt ist, Muster in Daten zu finden – einzusetzen, um die Bewegungsgleichungen des Systems zu lösen und dann rückwärts zu arbeiten, um die exakten Stärken der Verbindungen zwischen den Qubits zu entdecken.
Die Forscher testeten ihren Ansatz mit synthetischen Daten, also computergenerierten Informationen, die das widerspiegeln, was ein echtes Experiment produzieren würde. Sie simulierten Ketten von Qubits mit variierenden Verbindungsstärken und lokalen Frequenzen, einschließlich der kleinen, unerwünschten Wechselwirkungen, die reale Hardware oft plagen. Das neuronale Netz wurde darauf trainiert, die zukünftige Entwicklung des Systems über die Zeit vorherzusagen, basierend auf einer Handvoll einfacher Messungen, die zu verschiedenen Zeitpunkten vorgenommen wurden. Bemerkenswerterweise lernte das Netzwerk nicht nur, das zukünftige Verhalten der Kette vorherzusagen, sondern identifizierte auch erfolgreich die zugrunde liegenden Parameter, die sie steuern. Für Ketten von bis zu fünfzig Qubits stellte die Methode die Verbindungsstärken mit einer Genauigkeit von besser als einem Zehntelprozent wieder her. Diese Präzision wurde mit nur fünf globalen Messeinstellungen erreicht, unabhängig von der Länge der Kette, während ältere Methoden für eine Kette dieser Größe Millionen oder gar Milliarden von Einstellungen erfordert hätten.
Einer der bedeutendsten Aspekte dieser Arbeit ist die Art und Weise, wie sie mit der unordentlichen Realität der Quantenhardware umgeht. Reale Geräte sind niemals perfekt; sie leiden unter „Crosstalk“ (Übersprechen), bei dem ein Qubit unbeabsichtigt seinen Nachbarn auf eine Weise beeinflusst, die nicht programmiert war. Die Forscher integrierten eine Technik namens zeitabhängliche Hartree–Fock-Abschlussmethode in ihr Modell. Vereinfacht gesagt ist dies eine Art, die Auswirkungen dieser unerwünschten Wechselwirkungen auf das System zu approximieren, ohne jeden einzelnen Detailpunkt berechnen zu müssen, was zu langsam wäre. Die Methode erwies sich als robust genug, um diese parasitären Kopplungen zu erkennen und zu quantifizieren, indem sie selbst dann mit hoher Genauigkeit identifiziert wurden, wenn sie sehr schwach waren. Dies ist entscheidend, da das Wissen über die genaue Natur dieser Fehler der erste Schritt zur Behebung ist.
Die Studie deckte auch eine subtile Herausforderung auf, die auftritt, wenn die Ketten länger werden. Während die Methode in der Lage war, die Stärke der Verbindungen zwischen benachbarten Qubits mit extremer Präzision zu bestimmen, häuften sich die lokalen Frequenzen der Qubits selbst über die Länge der Kette hinweg an. Um dies zu lösen, kombinierten die Forscher ihr neuronales Netz mit einer traditionellen statistischen Anpassungstechnik. Das neuronale Netz lieferte einen hochpräzisen Ausgangspunkt, und die traditionelle Methode verfeinerte das Ergebnis, wodurch die akkumulierten Fehler entfernt wurden. Dieser hybride Ansatz ermöglichte es ihnen, die Parameter für eine Kette von fünfzig Qubits mit Fehlern von nur sieben Zehntelprozent wiederherzustellen, selbst als die Daten ein realistisches Maß an Rauschen enthielten.
Diese Arbeit zeigt, dass es möglich ist, den Hamiltonian – die mathematische Beschreibung der Energie und der Wechselwirkungen eines Systems – für große Quantengeräte zu erlernen, ohne eine exponentielle Menge an Daten zu benötigen. Die Methode ist kein Zauberstab, der jedes Quantenproblem löst; sie ist speziell für Ketten konzipiert, bei denen die Qubits primär mit ihren unmittelbaren Nachbarn interagieren. Für die supraleitenden Schaltkreise, die derzeit das Rennen um den Bau praktischer Quantencomputer anführen, ist diese Einschränkung jedoch kein Hindernis, sondern ein Merkmal. Diese Geräte bilden natürlich Ketten aus austauschgekoppelten Qubits, was die neue Technik direkt auf die heute gebaute Hardware anwendbar macht. Indem sie ein unmögliches Messproblem in eine lösbare Lernaufgabe verwandelten, haben die Forscher ein leistungsfähiges Werkzeug zur Kalibrierung der nächsten Generation von Quantensimulatoren bereitgestellt und uns damit der Entwicklung von Maschinen näher gebracht, die die Kraft der Quantenmechanik wahrhaftig nutzen können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.