Co-Design of a Quantum Circuit using QGHNN for High Separate Fidelity and Maximum Grover Algorithm Accuracy

Quantencomputer versprechen, Probleme zu lösen, für die gewöhnliche Maschinen tausende von Jahren benötigen würden, aber der Bau von ihnen gleicht dem Versuch, ein Kartenhaus im Orkan zu balancieren. Diese Maschinen verlassen sich auf empfindliche Informationseinheiten namens Qubits, die gleichzeitig in mehreren Zuständen existieren können, was es ihnen ermöglicht, viele Möglichkeiten simultan zu erforschen. Dieser empfindliche Zustand wird jedoch leicht durch Rauschen, Hitze oder sogar den Akt des zu genauen Hinsehens zerstört. Um einen Quantencomputer nutzbar zu machen, müssen Ingenieure Schaltkreise entwerfen, die diese Qubits lange genug stabil halten, um Berechnungen durchzuführen, während sie gleichzeitig in der Lage sein müssen, die Ergebnisse klar abzulesen, bevor die Information verblasst. Die Herausforderung besteht darin, dass die Einstellungen, die ein Qubit leicht lesbar machen, es oft schwieriger machen, komplexe Mathematik zu betreiben, und die Einstellungen, die helfen, gut zu rechnen, das Endergebnis verschwommen werden lassen können. Das Finden des richtigen Gleichgewichts erfordert das Navigieren durch eine Landschaft, in der die Verbesserung eines Teils des Systems oft einen anderen Teil beeinträchtigt.

In einer neuen Studie haben Forscher des Iranian Quantum Technologies Research Center und kooperierender Institutionen eine Methode entwickelt, um diesen Balanceakt für einen spezifischen Typ von Quantencomputer zu lösen, der aus supraleitenden Schaltkreisen aufgebaut ist. Sie entwickelten ein hybrides Framework, das die Gesetze der Physik mit einer spezialisierten Art von künstlicher Intelligenz kombiniert, um ein Zwei-Qubit-System zu entwerend, das besser funktioniert als bisherige Versuche. Anstatt das Hardware-Design und die Algorithmus-Leistung als getrennte Probleme zu behandeln, nutzte das Team ein neuronales Netz – ein Computerprogramm, das darauf ausgelegt ist, aus Daten zu lernen – um den perfekten Betriebspunkt zu finden, an dem sowohl die Messgenauigkeit als auch die Erfolgsrate der Berechnung maximiert werden. Ihre Arbeit zeigt, dass sie durch das Training dieses Systems auf der zugrunde liegenden Physik des Geräts einen „Sweet Spot“ identifizieren können, an dem die Maschine ihren eigenen Zustand mit hoher Präzision liest und gleichzeitig einen berühmten Suchalgorithmus mit bemerkenswerter Erfolgsquote ausführt.

Die Forscher konzentrierten sich auf einen Aufbau, bei dem zwei supraleitende Qubits durch einen gemeinsamen Resonator verbunden sind, eine Komponente, die wie eine Brücke für ihre Interaktionen fungiert. In dieser Umgebung sind die Qubits ständigem Rauschen und Energieverlust ausgesetzt, was mithilfe von Gleichungen modelliert wird, die beschreiben, wie offene Systeme über die Zeit evolvieren. Das Team musste mehrere physikalische Variablen abstimmen, wie etwa die Frequenz der Qubits und die Stärke ihrer Verbindung zur Brücke, um zwei Ziele gleichzeitig zu erreichen: die Auslesung des Qubit-Zustands so klar wie möglich zu gestalten und sicherzustellen, dass der Grover-Suchalgorithmus – eine Methode zum Finden eines bestimmten Elements in einer großen Liste – korrekt funktioniert. Die Schwierigkeit liegt darin, dass diese beiden Ziele oft in entgegengesetzte Richtungen ziehen; das Drängen des Systems zu mehr Genauigkeit in seinen Berechnungen kann das Auslesesignal unschärfer machen, und umgekehrt.

Um diesen Konflikt zu bewältigen, setzte das Team ein Werkzeug namens Quantum Graph Hamiltonian Neural Network ein. Im Gegensatz zu Standard-Computerprogrammen, die Daten als Black Box behandeln, ist dieses Netzwerk darauf aufgebaut, die Struktur des physikalischen Systems zu verstehen, indem es die Qubits und ihre Verbindungen als eine Karte interagierender Teile betrachtet. Die Forscher erzeugten einen großen Datensatz, indem sie das Verhalten des Quantensystems unter tausenden verschiedenen physikalischen Bedingungen simulierten und aufzeichneten, wie jede Änderung sowohl die Auslesequalität als auch den Erfolg des Algorithmus beeinflusste. Sie trainierten das neuronale Netz dann darauf, die komplexe, nicht-lineare Beziehung zwischen den physikalischen Einstellungen und den Endergebnissen zu erlernen. Sobald das Netzwerk diese Karte gelernt hatte, konnte es das Ergebnis jeder neuen Einstellung sofort vorhersagen, ohne die langsamen, rechenintensiven Simulationen jedes Mal neu durchführen zu müssen. Dies ermöglichte es dem Team, eine mathematische Suchmethode zu verwenden, um den Hügel der Möglichkeiten zu erklimmen und den Gipfel zu finden, an dem beide Leistungsmetriken hoch sind.

Die Ergebnisse dieses Co-Design-Ansatzes waren beeindruckend. Vor der Optimierung zeigte das System eine klare Trennung zwischen den verschiedenen Zuständen des Qubits, aber es gab dennoch einige Überlappungen, die zu Fehlern führen konnten. Nach der Abstimmung durch das neuronale Netz wurde die Trennung schärfer, wodurch die Messgenauigkeit (Fidelity) auf über 99,4 Prozent gesteigert wurde. Was wie ein kleiner numerischer Sprung erscheinen mag, stellt in der Welt des Quantencomputings eine massive Reduktion der Wahrscheinlichkeit einer falschen Antwort dar. Noch wichtiger ist, dass die algorithmische Leistung einen dramatischen Sprung machte. Die Erfolgswahrscheinlichkeit des Grover-Suchalgorithmus, die durch die anfänglichen Hardware-Einstellungen begrenzt war, stieg auf etwa 86 Prozent. Dieses Genauigkeitsniveau ist vergleichbar mit dem, was derzeit von etablierten kommerziellen Quantenprozessoren erreicht wird, was darauf hindeutet, dass das neue Design für reale Anwendungen lebensfähig ist.

Die Studie enthüllte auch einen fundamentalen Zielkonflikt, den Ingenieure verwalten müssen. Als die Forscher das System ausschließlich für den Suchalgorithmus optimierten, stellten sie fest, dass die starken Interaktionen, die für schnelle Berechnungen benötigt werden, dazu neigen, die empfindlichen Quantenverbindungen zu unterdrücken, die für die Verschränkung erforderlich sind – eine Ressource, bei der Qubits auf eine Weise miteinander verknüpft werden, die der klassischen Physik trotzt. Das neuronale Netz fand erfolgreich einen Mittelweg, der genügend dieser Quantenverbindungen bewahrte und gleichzeitig eine hohe algorithmische Leistung lieferte. Um zu beweisen, dass ihre Erkenntnisse nicht nur theoretisch waren, nahmen das Team die optimierten Parameter und nutzten sie, um ein physisches Schaltungslayout in einer professionellen Engineering-Software zu entwerfen. Sie führten daraufhin elektromagnetische Simulationen auf diesem Design durch und bestätigten, dass die vom künstlichen Intelligenz-Modell erzeugten Zahlen direkt in eine baubare, funktionale Hardware-Konfiguration übersetzt werden konnten.

Diese Arbeit unterstreicht einen Wandel in der Art und Weise, wie Quantencomputer gebaut werden. Anstatt zuerst die Hardware zu entwerfen und dann zu versuchen, die Software mit ihr kompatibel zu machen, oder die Software zu optimieren und zu hoffen, dass die Hardware mithalten kann, entwirft dieser Ansatz beide gemeinsam. Durch die Verwendung eines Modells des maschinellen Lernens, das die Gesetze der Physik respektiert, zeigten die Forscher, dass es möglich ist, Betriebspunkte zu finden, die mehrere, konkurrierende Anforderungen gleichzeitig erfüllen. Die Studie bestätigt, dass selbst in einer verrauschten, unvollkommenen Welt sorgfältiges Co-Design eine hohe Leistung aus Quantenschaltkreisen extrahieren kann, was den Weg für zuverlässigere und leistungsfähigere Maschinen in der Zukunft ebnet. Die Fähigkeit, diese optimierten Einstellungen direkt in physische Dimensionen wie die Länge von Drähten oder die Größe von Kondensatoren zu übersetzen, bedeutet, dass der Weg von einer Computersimulation zu einem funktionierenden Chip kürzer und direkter wird.