Co-Design of a Quantum Circuit using QGHNN for High Separate Fidelity and Maximum Grover Algorithm Accuracy
本論文は、量子グラフ・ハミルトニアンニューラルネットワーク（QGHNN）を利用した物理学と機械学習のハイブリッド・フレームワークを用いて超伝導量子回路の共同設計を行い、IBMのQ5 Tenerifeプロセッサに匹敵する99.4%超の読み出し分離忠実度と約86%のグローバー・アルゴリズム精度を達成する手法を提示する。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
量子コンピュータは、通常のコンピュータなら数千年もかかる問題を解決することを約束していますが、それらを構築することは、ハリケーンの中でトランプの家をバランスよく立てようとするようなものです。これらのマシンは、量子ビットと呼ばれる繊細な情報の単位に依存しており、これらは複数の状態に同時に存在できるため、多くの可能性を同時に探索することができます。しかし、この繊細な状態は、ノイズや熱、あるいは、あまりにも近くで見ようとする行為によっても簡単に崩れてしまいます。量子コンピュータを実用的なものにするために、エンジニアは、計算を実行するのに十分な間、量子ビットを安定させつつ、情報が消え去る前に結果を明確に読み取ることができる回路を設計しなければなりません。課題は、量子ビットを読み取りやすくする設定が、複雑な数学的計算を難しくしてしまうことが多く、計算をうまく行うための設定が、最終的な答えを曖昧にしてしまうことがある点です。適切なバランスを見つけるには、システムの一方を改善するともう一方が悪化するという、トレードオフの関係にある風景をナビゲートする必要があります。
新しい研究において、イラン量子技術研究センターおよび協力機関の研究者たちは、超伝導回路から構築された特定のタイプの量子コンピュータにおける、この「バランス調整」の問題を解決する方法を開発しました。彼らは、物理法則と特殊な種類の人工知能を組み合わせたハイブリッド・フレームワークを作成し、従来の試みよりも優れた性能を持つ2量子ビット・システムを設計しました。ハードウェア設計とアルゴリズムの性能を別々の問題として扱うのではなく、チームはデータから学習するように設計されたコンピュータプログラムであるニューラルネットワークを使用して、測定精度と計算成功率の両方が最大化される完璧な動作点を特定しました。彼らの研究は、デバイスの基礎となる物理学に基づいてこのシステムを訓練することで、マシンが自身の状態を高精度で読み取りつつ、有名な探索アルゴリズムを驚異的な成功率で実行できる「スイートスポット」を特定できることを示しています。
研究者たちは、2つの超伝導量子ビットが共有共振器（相互作用のための架け橋として機能するコンポーネント）を通じて接続されているセットアップに焦点を当てました。この環境では、量子ビットは絶え間ないノイズとエネルギー損失にさらされており、これらは系が時間の経過とともにどのように進化するかを記述する方程式を用いてモデル化されます。チームは、量子ビットの状態の読み取りをできるだけ明確にし、かつグローバーの探索アルゴリズム（膨大なリストの中から特定の項目を見つける手法）が正しく機能するという2つの目標を同時に達成するために、量子ビットの周波数やブリッジへの接続強度などのいくつかの物理変数を調整する必要がありました。困難なのは、これら2つの目標がしばしば相反する方向に作用することです。計算の精度を高めようとシステムを押し進めると、読み取り信号がぼやけてしまい、その逆もまた同様です。
この対立を乗り越えるために、チームは「量子グラフ・ハミルトニアン・ニューラルネットワーク」と呼ばれるツールを採用しました。データをブラックボックスとして扱う標準的なコンピュータプログラムとは異なり、このネットワークは物理システムの構造を理解するように構築されており、量子ビットとその接続を相互作用する部分のマップとして扱います。研究者たちは、数千通りの異なる物理条件下で量子システムの挙動をシミュレートし、各変化が読み取りの質とアルゴリズムの成功率にどのように影響したかを記録することで、大規模なデータセットを生成しました。次に、ニューラルネットワークを訓練して、物理的な設定と最終的な結果との間の複雑で非線形な関係を学習させました。一度ネットワークがこのマップを学習すれば、低速で重いシミュレーションを毎回実行することなく、あらゆる新しい設定の結果を即座に予測できるようになります。これにより、チームは数学的な探索手法を用いて、両方のパフォーマンス指標が高い「山の頂」へと登り、最適な地点を見つけ出すことができました。
この共同設計（コデザイン）アプローチによる結果は、驚くべきものでした。最適化の前、システムは量子ビットの異なる状態の間に明確な分離を示していましたが、エラーにつながる可能性のあるオーバーラップが依然として存在していました。ニューラルネットワークによるチューニングの後、その分離はより鋭くなり、測定忠実度は99.4パーセントを超えました。これは数値としてはわずかな上昇に見えるかもしれませんが、量子コンピューティングの世界では、このような数パーセントの差が、誤った答えを出す確率の劇的な減少を意味します。さらに重要なことに、アルゴリズムの性能は劇的な飛躍を見せました。初期のハードウェア設定によって制限されていたグローバー探索アルゴリズムの成功確率は、約86パーセントまで上昇しました。この精度レベルは、現在確立されている商用量子プロセッサが達成しているものに匹敵しており、この新しい設計が実世界のアプリケーションに適していることを示唆しています。
また、この研究は、エンジニアが管理しなければならない根本的なトレードオフも明らかにしました。研究者が探索アルゴリズムのみを目的としてシステムを最適化した際、高速な計算に必要な強い相互作用が、量子ビットが古典物理学を越えた形で結びつくリソースである「量子もつれ」に必要な繊細な量子接続を抑制してしまうことが分かりました。ニューラルネットワークは、高いアルゴリズム性能を提供しつつ、これらの量子的なつながりを十分に維持するという、中間地点を見事に導き出しました。自分たちの発見が単なる理論ではないことを証明するために、チームは最適化されたパラメータを使用し、プロフェッショナルなエンジニアリング・ソフトウェアを用いて物理的な回路レイアウトを設計しました。その後、この設計に対して電磁シミュレーションを実行し、人工知能が生成した数値が、実際に構築可能で機能的なハードウェア構成に直接翻訳されることを確認しました。
この研究は、量子コンピュータがどのように構築されるかというパラダイムの転換を浮き彫りにしています。ハードウェアを先に設計してからソフトウェアをそれに合わせようとしたり、あるいはソフトウェアを最適化してハードウェアがついてくるのを期待したりするのではなく、このアプローチは両者を同時に設計するものです。物理法則を尊重する機械学習モデルを使用することで、研究者たちは、複数の競合する要求を同時に満たす動作点を特定できることを示しました。この研究は、ノイズが多く不完全な世界であっても、入念な共同設計によって量子回路から高いパフォーマンスを引き出せることを裏付けています。最適化された設定を、ワイヤーの長さやキャパシタのサイズといった物理的な寸法に直接翻訳できる能力は、コンピュータのシミュレーションから動作するチップへの道のりが、より短く、より直接的なものになりつつあることを意味しています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。