Co-Design of a Quantum Circuit using QGHNN for High Separate Fidelity and Maximum Grover Algorithm Accuracy
Questo articolo presenta un framework ibrido fisica-apprendimento automatico che utilizza una Quantum Graph Hamiltonian Neural Network (QGHNN) per la co-progettazione di circuiti quantistici superconduttori, raggiungendo una fedeltà di separazione della lettura superiore al 99,4% e un'accuratezza dell'algoritmo di Grover di circa l'86%, comparabile al processore IBM Q5 Tenerife.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
I computer quantistici promettono di risolvere problemi che richiederebbero alle macchine ordinarie migliaia di anni per essere completati, ma costruirli è come cercare di bilanciare una casa di carte in un uragano. Queste macchine si affidano a delicate unità di informazione chiamate qubit, che possono esistere in più stati contemporaneamente, permettendo loro di esplorare molte possibilità simultaneamente. Tuttavia, questo stato delicato è facilmente frantumato dal rumore, dal calore o persino dall'atto di osservarlo troppo da vicino. Per rendere utile un computer quantistico, gli ingegneri devono progettare circuiti che mantengano questi qubit stabili abbastanza a lungo da eseguire i calcoli, pur essendo in grado di leggere chiaramente i risultati prima che l'informazione svanisca. La sfida è che le impostazioni che rendono un qubit facile da leggere spesso lo rendono più difficile da utilizzare per calcoli complessi, e le impostazioni che aiutano a calcolare bene possono rendere la risposta finale sfocata. Trovare il giusto equilibrio richiede di navigare in un panorama dove il miglioramento di una parte del sistema spesso danneggia un'altra.
In uno studio recente, ricercatori del Centro di Ricerca sulle Tecnologie Quantistiche dell'Iran e istituzioni collaboratrici hanno sviluppato un metodo per risolvere questo gioco di equilibri per un tipo specifico di computer quantistico costruito con circuiti superconduttori. Hanno creato un framework ibrido che combina le leggi della fisica con un tipo specializzato di intelligenza artificiale per progettare un sistema a due qubit che funzioni meglio dei tentativi precedenti. Invece di trattare la progettazione dell'hardware e le prestazioni dell'algoritmo come problemi separati, il team ha utilizzato una rete neurale — un programma per computer progettato per imparare dai dati — per trovare il punto operativo perfetto in cui sia l'accuratezza della misurazione che il tasso di successo del calcolo sono massimizzati. Il loro lavoro dimostra che, addestrando questo sistema sulla fisica sottostante del dispositivo, possono identificare un "punto ottimale" in cui la macchina legge il proprio stato con alta precisione eseguendo al contempo un famoso algoritmo di ricerca con un successo straordinario.
I ricercatori si sono concentrati su una configurazione in cui due qubit superconduttori sono collegati attraverso un risonatore condiviso, un componente che funge da ponte per le loro interazioni. In questo ambiente, i qubit sono soggetti a rumore costante e perdita di energia, che vengono modellati utilizzando equazioni che descrivono come i sistemi aperti evolvono nel tempo. Il team ha dovuto sintonizzare diverse variabili fisiche, come la frequenza dei qubit e la forza della loro connessione con il ponte, per raggiungere due obiettivi contemporaneamente: rendere la lettura dello stato del qubit il più chiara possibile e garantire che l'algoritmo di ricerca di Grover, un metodo per trovare un elemento specifico in una grande lista, funzioni correttamente. La difficoltà risiede nel fatto che questi due obiettivi spesso tirano in direzioni opposte; spingere il sistema verso una maggiore accuratezza nei calcoli può rendere il segnale di lettura più sfocato, e viceversa.
Per navigare in questo conflitto, il team ha impiegato uno strumento chiamato Quantum Graph Hamiltonian Neural Network. A differenza dei programmi per computer standard che trattano i dati come una scatola nera, questa rete è costruita per comprendere la struttura del sistema fisico, trattando i qubit e le loro connessioni come una mappa di parti interagenti. I ricercatori hanno generato un vasto dataset simulando il comportamento del sistema quantistico sotto migliaia di diverse condizioni fisiche, registrando come ogni cambiamento influenzasse sia la qualità della lettura che il successo dell'algoritmo. Hanno poi addestrato la rete neurale per apprendere la complessa relazione non lineare tra le impostazioni fisiche e i risultati finali. Una volta che la rete ha appreso questa mappa, è stata in grado di prevedere l'esito di qualsiasi nuova impostazione istantaneamente, senza dover eseguire ogni volta le lente e pesanti simulazioni. Ciò ha permesso al team di utilizzare un metodo di ricerca matematica per scalare la collina delle possibilità e trovare il picco in cui entrambi i parametri di prestazione erano elevati.
I risultati di questo approccio di co-progettazione sono stati sorprendenti. Prima dell'ottimizzazione, il sistema mostrava una chiara separazione tra i diversi stati del qubit, ma c'era ancora una certa sovrapposizione che poteva portare a errori. Dopo che la rete neurale ha guidato la sintonizzazione, la separazione è diventata più netta, portando la fedeltà della misurazione a superare il 99,4 percento. Sebbene questo possa sembrare un piccolo salto numerico, nel mondo dell'informatica quantistica, tale frazione di percentuale rappresenta una riduzione massiccia della probabilità di una risposta errata. Ancora più importante, le prestazioni algoritmiche hanno visto un salto drammatico. La probabilità di successo dell'algoritmo di ricerca di Grover, che era stata limitata dalle iniziali impostazioni dell'hardware, è salita a circa l'86 percento. Questo livello di accuratezza è paragonabile a quello attualmente raggiunto dai processiori quantistici commerciali consolidati, suggerendo che il nuovo design è praticabile per applicazioni reali.
Lo studio ha anche rivelato un compromesso fondamentale che gli ingegneri devono gestire. Quando i ricercatori hanno ottimizzato il sistema esclusivamente per l'algoritmo di ricerca, hanno scoperto che le forti interazioni necessarie per calcoli rapidi tendevano a sopprimere le delicate connessioni quantistiche necessarie per l'entanglement, una risorsa in cui i qubit si collegano in un modo che sfida la fisica classica. La rete neurale ha trovato con successo una via di mezzo, preservando abbastanza di questi collegamenti quantistici pur fornendo comunque un'alta prestazione algoritmica. Per dimostrare che le loro scoperte non fossero solo teoriche, il team ha preso i parametri ottimizzati e li ha utilizzati per progettare un layout fisico del circuito in un software di ingegneria professionale. Hanno poi eseguito simulazioni elettromagnetiche su questo design, confermando che i numeri prodotti dall'intelligenza artificiale si traducevano direttamente in una configurazione hardware costruibile e funzionale.
Questo lavoro evidenzia un cambiamento nel modo in cui vengono costruiti i computer quantistici. Invece di progettare prima l'hardware e poi cercare di far funzionare il software con esso, o ottimizzare il software sperando che l'hardware riesca a stare al passo, questo approccio progetta entrambi insieme. Utilizzando un modello di apprendimento automatico che rispetta le leggi della fisica, i ricercatori hanno dimostrato che è possibile trovare punti operativi che soddisfino simultaneamente molteplici richieste contrastanti. Lo studio conferma che, anche in un mondo rumoroso e imperfetto, una co-progettazione attenta può estrarre alte prestazioni dai circuiti quantistici, aprendo la strada a macchine più affidabili e potenti in futuro. La capacità di tradurre queste impostazioni ottimizzate direttamente in dimensioni fisiche, come la lunghezza dei cavi o la dimensione dei condensatori, significa che il percorso dalla simulazione al computer a un chip funzionante sta diventando più breve e diretto.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.