General Noise Channels and Mid-Circuit Measurements for Pre-Trajectory Sampling with Batched Execution
Este artículo introduce un método de muestreo de pre-trayectoria generalizado con ejecución por lotes (PTSBE) que permite la simulación rápida y exacta de circuitos cuánticos ruidosos con mediciones a mitad del circuito y canales de Kraus generales en GPUs, logrando aceleraciones de hasta 83x sobre los métodos convencionales y revelando inexactitudes significativas en las aproximaciones de ruido con giro de Pauli.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por el autor. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Para construir una computadora que pueda resolver problemas fuera del alcance de las máquinas actuales, los científicos están recurriendo a las extrañas leyes de la física cuántica. Estas computadoras cuánticas utilizan partículas diminutas, como átomos o electrones, que pueden existir en múltiples estados a la vez, lo que les permite procesar información de formas en las que las computadoras clásicas no pueden. Sin embargo, estos delicados sistemas se ven fácilmente perturbados por su entorno, lo que provoca errores que corrompen el cálculo. Para solucionar esto, los investigadores utilizan una técnica llamada corrección de errores cuánticos, que verifica constantemente el sistema en busca de errores y los repara sin destruir la información. Este proceso requiere realizar miles de mediciones para rastrear lo que sucede dentro de la máquina. Para diseñar estos sistemas y entrenar el software que eventualmente los ejecutará, los científicos necesitan simular cómo se comportan estas computadoras bajo condiciones realistas. El desafío es que simular la realidad exacta y desordenada de estos errores cuánticos es increíblemente lento y computacionalmente costoso, mientras que los métodos más rápidos disponibles suelen depender de simplificaciones que cambian los resultados de maneras sutiles pero importantes.
Un equipo de investigadores de NVIDIA, el MIT y la Universidad de Oxford ha desarrollado un nuevo método para cerrar esta brecha, permitiendo simulaciones rápidas y exactas de circuitos cuánticos ruidosos. Su trabajo se centra en un tipo específico de simulación llamada muestreo de trayectoria, que rastrea el camino que toma un sistema cuántico a medida que evoluciona. En el pasado, los simuladores tenían que elegir entre velocidad y precisión. Las herramientas más rápidas solo podían manejar modelos de ruido simplificados, ignorando efectivamente las complejas interacciones del mundo real que ocurren cuando una computadora cuántica mide su propio estado a mitad de un cálculo. Las herramientas más precisas podían manejar estas complejidades, pero eran tan lentas que generar los enormes conjuntos de datos necesarios para el aprendizaje automático moderno resultaba impráctico. Los investigadores crearon una técnica llamada muestreo de pre-trayectoria generalizado con ejecución por lotes. Este enfoque les permite simular el comportamiento exacto de los circuitos cuánticos, incluyendo aquellos con mediciones a mitad de circuito y tipos generales de ruido, a velocidades que antes se consideraban imposibles para modelos tan detallados.
El núcleo de su innovación reside en cómo manejan la aleatoriedad inherente a la mecánica cuántica. En un sistema cuántico, el resultado de una medición o el efecto del ruido no está predeterminado; es una cuestión de probabilidad. Los simuladores tradicionales ejecutarían una sola simulación, tomarían una elección aleatoria para cada evento y luego comenzarían de nuevo para la siguiente ejecución. Esto significaba que si dos ejecuciones seguían el mismo camino durante un tiempo, la computadora perdería el tiempo calculando exactamente los mismos pasos dos veces. El nuevo método cambia esto al decidir algunos de los resultados aleatorios por adelantado, antes de que comience la simulación. Identifica partes del proceso donde las probabilidades son fijas e independientes del estado actual del sistema, y preselecciona esos resultados. Para las partes que sí dependen del estado, espera hasta que la simulación llegue a ese punto para tomar la decisión.
Esta estrategia permite a los investigadores agrupar muchas ejecuciones de simulación. Si un grupo de ejecuciones comparte los mismos resultados preseleccionados, pueden viajar a través del circuito juntos como una sola unidad. Solo cuando llegan a un punto donde se necesita la decisión dependiente del estado, el grupo se divide en ramas más pequeñas, cada una siguiendo un camino diferente. Crucialmente, debido a que los investigadores ya han calculado el estado para el grupo, no necesitan recalcularlo para cada una de las ramas. Pueden reutilizar el estado almacenado en caché, ahorrando una cantidad tremenda de tiempo. Una vez que la simulación llega al final, pueden generar miles de registros de medición a partir de ese único estado final en un solo lote, en lugar de ejecutar todo el circuito miles de veces. Esto es particularmente poderoso para generar los grandes conjuntos de datos etiquetados necesarios para entrenar modelos de inteligencia artificial para actuar como decodificadores de la corrección de errores cuánticos.
El equipo probó su método en varios circuitos cuánticos, incluidos aquellos diseñados para almacenar información en códigos topológicos, que son un candidato principal para la construcción de computadoras cuánticas tolerantes a fallos. Cuando compararon su nuevo simulador con las herramientas de alto rendimiento estándar actualmente en uso, los resultados fueron sorprendentes. Para circuitos que involucran un tipo específico de ruido llamado amortiguamiento de amplitud, que imita cómo la energía se escapa de un sistema cuántico, su método fue hasta 24 veces más rápido que el enfoque convencional. Para circuitos aleatorios más complejos que incluían mediciones a mitad de circuito, la aceleración fue aún más dramática, alcanzando hasta 83 veces más rápido. En un modo específico diseñado para generar conjuntos de datos masivos, donde se utiliza el mismo camino de simulación para producir muchos registros de medición diferentes, su método fue casi 70,000 veces más rápido por trayectoria que el método estándar. Este salto en la eficiencia significa que los investigadores ahora pueden generar los millones de puntos de datos necesarios para entrenar decodificadores sofisticados de aprendizaje automático en una fracción del tiempo que solía tomar.
Más allá de la velocidad, los investigadores demostraron que su método produce resultados más precisos que los atajos comunes utilizados en el campo. Una técnica ampliamente utilizada llamada "Pauli twirling" simplifica el ruido complejo en una forma que es más fácil de simular, pero el equipo demostró que esta simplificación introduce errores significativos. En sus pruebas en un sistema de memoria cuántica, el modelo simplificado sobreestimó la tasa de detección de errores en un 21 por ciento. Más importante aún, cuando utilizaron los datos de este modelo simplificado para entrenar un decodificador, el sistema resultante cometió un 8 por ciento más de errores lógicos que un decodificador entrenado con los datos exactos y no simplificados. Este hallazgo resalta un fallo crítico en el uso de aproximaciones: aunque pueden ser rápidas, pueden conducir al diseño de sistemas de corrección de errores que son menos efectivos de lo que podrían ser. Al proporcionar una forma de simular el ruido exacto sin sacrificar la velocidad, el nuevo método asegura que los datos utilizados para construir las futuras computadoras cuánticas reflejen la realidad.
Las implicaciones de este trabajo se extienden al esfuerzo más amplio para construir una computadora cuántica práctica. A medida que estas máquinas crecen en tamaño y complejidad, la capacidad de simularlas con precisión se convierte en un cuello de botella. El método de los investigadores elimina este cuello de botella para una amplia gama de modelos de ruido realistas, incluidos aquellos que implican medir el sistema mientras está en funcionamiento. Esta capacidad abre la puerta al estudio de protocolos complejos que dependen de mediciones a mitad de circuito, como los utilizados para crear estados cuánticos especiales o para realizar la corrección de errores en tiempo real. El equipo ha puesto su software a disposición como una extensión de una plataforma de código abierto existente, asegurando que otros científicos puedan aplicar inmediatamente estas aceleraciones a su propia investigación. Al hacer que la simulación exacta y de alto rendimiento sea práctica, este trabajo proporciona una herramienta vital para el desarrollo de computadoras cuánticas tolerantes a fallos, ayudando a asegurar que la próxima generación de estas máquinas se construya sobre una base de datos exactos y realistas.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.