Low-latency machine learning FPGA accelerator for multi-qubit-state discrimination
Cet article présente un accélérateur de réseau neuronal sur FPGA à faible latence qui discrimine avec succès les états de cinq qubits supraconducteurs en moins de 50 nanosecondes en quantifiant les paramètres du réseau, permettant ainsi une intégration efficace dans les plateformes de contrôle quantique existantes.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les ordinateurs quantiques promettent de résoudre des problèmes qui prendraient des milliers d'années aux machines les plus puissantes d'aujourd'hui pour être déchiffrés. Ils y parviennent en utilisant des bits quantiques, ou qubits, qui peuvent exister dans plusieurs états à la fois, contrairement aux simples interrupteurs marche/arrêt des ordinateurs classiques. Cependant, ces qubits sont incroyablement fragiles. Pour les rendre utiles, les scientifiques doivent mesurer leur état avec une précision et une rapidité extrêmes. Cette mesure est la première étape d'un processus appelé correction d'erreurs, où l'ordinateur vérifie si un calcul s'est trompé et le corrige instantanément. Si la mesure prend trop de temps, l'information quantique fragile s'estompe avant que la correction ne puisse avoir lieu, et le calcul échoue. Le défi est de construire un système capable d'écouter ces signaux minuscules, de décider de ce qu'ils signifient et d'agir sur cette décision en un clin d'œil.
Une équipe de chercheurs a développé une nouvelle façon de gérer cette course contre la montre. Ils ont créé une puce électronique spécialisée qui agit comme un assistant à la réflexion rapide pour les ordinateurs quantiques. Au lieu d'utiliser des méthodes traditionnelles pour interpréter les signaux provenant des qubits, ils ont entraîné une version petite et simplifiée d'un cerveau d'intelligence artificielle pour accomplir la tâche. Ce cerveau est conçu pour observer les signaux bruyants provenant de cinq qubits différents en même temps et pour dire instantanément à l'ordinateur si chaque qubit est dans son état fondamental ou son état excité. En plaçant cette intelligence directement sur le matériel qui contrôle le processeur quantique, ils ont éliminé les délais qui surviennent habituellement lorsque l'on envoie des données vers un ordinateur séparé pour analyse.
Les chercheurs ont commencé par un réseau neuronal complexe, un type de programme informatique modélisé d'après le cerveau humain, qui est excellent pour reconnaître les formes. Cependant, l'exécution d'un tel programme sur du matériel standard est trop lente et nécessite trop de mémoire pour les besoins fractionnaires de la correction d'erreurs quantiques. Pour résoudre ce problème, l'équipe a simplifié le programme en réduisant la précision de ses calculs internes. Ils ont converti les nombres utilisés par le programme, passant de décimales de haute précision à des valeurs beaucoup plus simples et de faible précision, de la même manière qu'un croquis grossier peut parfois transmettre une idée aussi bien qu'une peinture détaillée. Ce processus, connu sous le nom de quantification, leur a permis de réduire considérablement la taille du programme sans perdre sa capacité à prendre des décisions précises. Ils ont testé cette approche sur un processeur supraconducteur à cinq qubits, qui fonctionne à des températures plus froides que l'espace profond.
Les résultats ont montré que ce cerveau simplifié et rapide pouvait distinguer les états des cinq qubits avec une précision remarquable. Le système a traité les signaux et pris une décision en moins de 50 milliardièmes de seconde. Pour mettre cette vitesse en perspective, cela correspond environ au temps qu'il faut à la lumière pour parcourir la longueur d'un grand bâtiment. Dans le monde de l'informatique quantique, où les signaux peuvent s'estomper en microsecondes, cette vitesse change la donne. Les chercheurs ont constaté que même avec les calculs simplifiés, le système fonctionnait presque aussi bien que les versions beaucoup plus grandes et complexes, et qu'il surpassait nettement les anciennes méthodes reposant sur des techniques de traitement de signal standard.
Un élément clé de leur succès fut la manière dont ils ont organisé le matériel. Au lieu de forcer la puce à traiter les données étape par étape sur une seule ligne, ils ont conçu la puce pour qu'elle puisse gérer plusieurs parties du calcul simultanément. Imaginez une cuisine très occupée où un seul chef doit hacher, cuire et dresser un plat l'un après l'autre ; imaginez maintenant une cuisine avec une équipe de chefs travaillant sur chaque partie du repas exactement au même moment. Cette approche parallèle a permis à la puce de terminer son travail beaucoup plus rapidement. L'équipe a également découvert qu'elle pouvait réduire le nombre d'étapes que le programme suivait pour parvenir à une conclusion sans nuire à sa précision, gagnant ainsi encore du temps précieux.
L'étude démontre qu'il est possible de construire un système de lecture intelligent à faible latence qui s'intègre directement au matériel contrôlant un ordinateur quantique. Cela signifie que les futurs processeurs quantiques pourraient vérifier les erreurs et les corriger presque immédiatement, maintenant l'information quantique vivante assez longtemps pour effectuer des calculs complexes. Les chercheurs ont montré que leur conception peut être intégrée aux plateformes de contrôle existantes, ce qui en fait un outil pratique pour la prochaine génération d'expériences quantiques. En prouvant qu'un réseau neuronal petit, rapide et efficace peut gérer la tâche difficile de la lecture de plusieurs qubits à la fois, ils ont supprimé un goulot d'étranglement majeur qui ralentissait le développement d'ordinateurs quantiques fiables.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.