General Noise Channels and Mid-Circuit Measurements for Pre-Trajectory Sampling with Batched Execution
Dieses Paper stellt eine verallgemeinerte Pre-Trajectory Sampling mit Batched Execution (PTSBE)-Methode vor, die eine schnelle, exakte Simulation verrauschter Quantenschaltkreise mit Messungen während der Laufzeit und allgemeinen Kraus-Kanälen auf GPUs ermöglicht, wobei Beschleunigungen von bis zu 83x gegenüber herkömmlichen Methoden erzielt werden und gleichzeitig signifikante Ungenauigkeiten in Pauli-getwistelten Rauschapproximationen aufzeigt.
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 vom Autor verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Um einen Computer zu bauen, der Probleme lösen kann, die jenseits der Reichweite heutiger Maschinen liegen, wenden sich Wissenschaftler den seltsamen Gesetzen der Quantenphysik zu. Diese Quantencomputer nutzen winzige Teilchen wie Atome oder Elektronen, die gleichzeitig in mehreren Zuständen existieren können, was es ihnen ermöglicht, Informationen auf eine Weise zu verarbeiten, die klassische Computer nicht bewältigen können. Diese empfindlichen Systeme werden jedoch leicht durch ihre Umgebung gestört, was Fehler verursacht, die die Berechnung korrumpieren. Um dies zu beheben, nutzen Forscher eine Technik namens Quantenfehlerkorrektur, die das System ständig auf Fehler überprüft und diese repariert, ohne die Information zu zerstören. Dieser Prozess erfordert tausende von Messungen, um zu verfolgen, was im Inneren der Maschine geschieht. Um diese Systeme zu entwerfen und die Software zu trainieren, die sie schließlich steuern wird, müssen Wissenschaftler simulieren, wie sich diese Computer unter realistischen Bedingungen verhalten. Die Herausforderung besteht darin, dass die Simulation der exakten, chaotischen Realität dieser Quantenfehler unglaublich langsam und rechenintensiv ist, während die schnelleren verfügbaren Methoden oft auf Vereinfachungen beruhen, die die Ergebnisse auf subtile, aber wichtige Weise verändern.
Ein Team von Forschern von NVIDIA, dem MIT und der University of Oxford hat eine neue Methode entwickelt, um diese Lücke zu schließen, indem sie schnelle und exakte Simulationen verrauschter Quantenschaltkreise ermöglicht. Ihre Arbeit konzentriert sich auf eine spezifische Art der Simulation namens Trajektorien-Sampling, die den Pfad verfolgt, den ein Quantensystem nimmt, während es sich entwickelt. In der Vergangenheit mussten Simulatoren zwischen Geschwindigkeit und Genauigkeit wählen. Die schnellsten Werkzeuge konnten nur vereinfachte Rauschmodelle handhaben und ignorierten dabei effektiv die komplexen, realen Interaktionen, die auftreten, wenn ein Quantencomputer seinen eigenen Zustand während einer laufenden Berechnung misst. Die genaueren Werkzeuge konnten diese Komplexitäten handhaben, waren aber so langsam, dass das Erzeugen der massiven Datensätze, die für modernes maschinelles Lernen benötigt werden, unpraktikabel war. Die Forscher entwickelten eine Technik namens „generalized pre-trajectory sampling with batched execution“. Dieser Ansatz ermöglicht es ihnen, das exakte Verhalten von Quantenschaltkreisen zu simulieren, einschließlich solcher mit Messungen während des Schaltkreislaufs und allgemeinen Arten von Rauschen, und das mit Geschwindigkeiten, die für solch detaillierte Modelle zuvor als unmöglich galten.
Der Kern ihrer Innovation liegt darin, wie sie mit der Zufälligkeit umgehen, die der Quantenmechanik eigen ist. In einem Quantensystem ist das Ergebnis einer Messung oder der Effekt von Rauschen nicht vorbestimmt; es ist eine Frage der Wahrscheinlichkeit. Traditionelle Simulatoren würden eine einzelne Simulation durchführen, eine zufällige Entscheidung für jedes Ereignis treffen und dann für den nächsten Durchgang neu beginnen. Dies bedeutete, dass, wenn zwei Durchläufe eine Zeit lang denselben Pfad verfolgten, der Computer Zeit damit verschwendete, exakt dieselben Schritte zweimal zu berechnen. Die neue Methode ändert dies, indem sie einige der Zufallsergebnisse im Voraus festlegt, noch bevor die Simulation überhaupt beginnt. Sie identifiziert Teile des Prozesses, bei denen die Wahrscheinlichkeiten fixiert und unabhängig vom aktuellen Zustand des Systems sind, und wählt diese Ergebnisse vorab aus. Für die Teile, die vom Zustand abhängen, wartet sie, bis die Simulation diesen Punkt erreicht, um die Entscheidung zu treffen.
Diese Strategie ermöglicht es den Forschern, viele potenzielle Simulationsläufe zusammenzufassen. Wenn eine Gruppe von Durchläufen dieselben vorab ausgewählten Ergebnisse teilt, können sie den Schaltkreis gemeinsam als eine einzige Einheit durchlaufen. Erst wenn sie einen Punkt erreichen, an dem die zustandsabhängige Entscheidung erforderlich ist, spaltet sich die Gruppe in kleinere Zweige auf, von denen jeder einem anderen Pfad folgt. Entscheidend ist, dass die Forscher den Zustand für die Gruppe bereits berechnet haben und den Zustand nicht für jeden einzelnen Zweig neu berechnen müssen. Sie können den zwischengespeicherten (cached) Zustand wiederverwenden, was eine enorme Zeitersparnis bedeutet. Sob einmal die Simulation das Ende erreicht, können sie tausende von Messprotokollen aus diesem einzigen finalen Zustand in einem einzigen Batch generieren, anstatt den gesamten Schaltkreis tausende Male durchzuführen. Dies ist besonders leistungsstark für die Generierung der großen, etikettierten Datensätze, die benötigt werden, um künstliche Intelligenz zu trainieren, damit diese als Decoder für die Quantenfehlerkorrektur fungiert.
Das Team testete seine Methode an verschiedenen Quantenschaltkreisen, einschließlich jener, die darauf ausgelegt sind, Informationen in topologischen Codes zu speichern, was ein führender Kandidat für den Bau fehlertoleranter Quantencomputer ist. Als sie ihren neuen Simulator mit den derzeit üblichen Hochleistungswerkzeugen verglichen, waren die Ergebnisse beeindruckend. Bei Schaltkreisen, die eine spezifische Art von Rauschen namens Amplitudendämpfung beinhalten – welche simuliert, wie Energie aus einem Quantensystem entweicht –, war ihre Methode bis zu 24 Mal schneller als der konventionelle Ansatz. Für komplexere Zufallsschaltkreise, die Messungen während des Schaltkreislaufs beinhalteten, war die Beschleunigung noch dramatischer und erreichte bis zu 83 Mal mehr Geschwindigkeit. In einem speziellen Modus, der für die Generierung massiver Datensätze konzipiert ist, bei dem derselbe Simulationspfad verwendet wird, um viele verschiedene Messprotokolle zu erzeugen, war ihre Methode fast 70.000 Mal schneller pro Trajektorie als die Standardmethode. Dieser Sprung in der Effizienz bedeutet, dass Forscher nun in einem Bruchteil der Zeit, die es früher dauerte, die Millionen von Datenpunkten generieren können, die für das Training anspruchsvoller Machine-Learning-Decoder erforderlich sind.
Über die Geschwindigkeit hinaus demonstrierten die Forscher, dass ihre Methode genauere Ergebnisse liefert als die in der Branche verbreiteten Abkürzungen. Eine weit genutzte Technik namens „Pauli twirling“ vereinfacht komplexes Rauschen in eine Form, die leichter zu simulieren ist, aber das Team zeigte, dass diese Vereinfachung signifikante Fehler einführt. In ihren Tests an einem Quantenspeichersystem überschätzte das vereinfachte Modell die Rate, mit der Fehler erkannt wurden, um 21 Prozent. Noch wichtiger ist, dass wenn sie die Daten aus diesem vereinfachten Modell verwendeten, um einen Decoder zu trainieren, das resultierende System 8 Prozent mehr logische Fehler aufwies als ein Decoder, der mit den exakten, unvereinfachten Daten trainiert wurde. Dieser Befund unterstreicht einen kritischen Fehler beim Vertrauen auf Approximationen: Während sie schnell sein mögen, können sie zur Entwicklung von Fehlerkorrektursystemen führen, die weniger effektiv sind, als sie sein könnten. Indem sie einen Weg bereitstellen, das exakte Rauschen ohne Einbußen bei der Geschwindigkeit zu simulieren, stellt die neue Methode sicher, dass die Daten, die zur Konstruktion zukünftiger Quantencomputer verwendet werden, der Realität entsprechen.
Die Auswirkungen dieser Arbeit erstrecken sich auf die breitere Bemühung, einen praktischen Quantencomputer zu bauen. Wenn diese Maschinen an Größe und Komplexität zunehmen, wird die Fähigkeit, sie genau zu simulieren, zu einem Engpass. Die Methode der Forscher beseitigt diesen Engpass für eine Vielzahl realistischer Rauschmodelle, einschließlich jener, die Messungen des Systems während des Betriebs beinhalten. Diese Fähigkeit öffnet die Tür zur Untersuchung komplexer Protokolle, die auf Messungen während des Schaltkreislaufs beruhen, wie sie etwa zur Erzeugung spezieller Quantenzustände oder zur Durchführung der Fehlerkorrektur in Echtzeit verwendet werden. Das Team hat seine Software als Erweiterung einer bestehenden Open-Source-Plattform zur Verfügung gestellt, um sicherzustellen, dass andere Wissenschaftler diese Geschwindigkeitsvorteile sofort für ihre eigene Forschung anwenden können. Indem sie exaktes, hochdurchsatzfähiges Simulieren praktikabel machen, bietet diese Arbeit ein entscheidendes Werkzeug für die Entwicklung fehlertoleranter Quantencomputer und hilft sicherzustellen, dass die nächste Generation dieser Maschinen auf einem Fundament aus genauen, realistischen Daten aufgebaut wird.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.