Low-latency machine learning FPGA accelerator for multi-qubit-state discrimination
Dit artikel presenteert een FPGA-gebaseerde neurale netwerkversneller met een lage latentie die erin slaagt de toestanden van vijf supergeleidende qubits in minder dan 50 nanoseconden te onderscheiden door netwerkparameters te kwantiseren, waardoor efficiënte integratie in bestaande quantumcontroleplatforms mogelijk wordt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Quantumcomputers beloven problemen op te lossen die de krachtigste machines van vandaag duizenden jaren zouden kosten om te kraken. Ze doen dit door gebruik te maken van quantumbits, of qubits, die zich tegelijkertijd in meerdere toestanden kunnen bevinden, in tegenstelling tot de eenvoudige aan-of-uit-schakelaars van klassieke computers. Deze qubits zijn echter ongelooflijk fragiel. Om ze bruikbaar te maken, moeten wetenschappers hun toestand met extreme precisie en snelheid meten. Deze meting is de eerste stap in een proces dat foutcorrectie wordt genoemd, waarbij de computer controleert of een berekening fout is gegaan en deze direct herstelt. Als de meting te lang duurt, vervaagt de fragiele quantuminformatie voordat de correctie kan plaatsvinden, en mislukt de berekening. De uitdaging is het bouwen van een systeem dat deze minuscule signalen kan horen, kan beslissen wat ze betekenen en in een oogwenk kan handelen naar die beslissing.
Een team onderzoekers heeft een nieuwe manier ontwikkeld om deze race tegen de klok aan te gaan. Ze hebben een gespecialiseerde elektronische chip gemaakt die fungeert als een sneldenkende assistent voor quantumcomputers. In plaats van traditionele methoden te gebruiken om de signalen van de qubits te interpreteren, hebben ze een kleine, vereenvoudigde versie van een kunstmatige intelligentie-brein getraind om de taak uit te voeren. Dit brein is ontworend om naar de ruisachtige signalen te kijken die van vijf verschillende qubits tegelijkertijd komen en de computer onmiddellijk te vertellen of elke qubit zich in zijn grondtoestand of in zijn aangeslagen toestand bevindt. Door deze intelligentie direct op de hardware te plaatsen die de quantumprocessor aanstuurt, hebben ze de vertragingen geëlimineerd die normaal gesproken optreden wanneer gegevens naar een aparte computer worden verzonden voor analyse.
De onderzoekers begonnen met een complex neuraal netwerk, een type computerprogramma dat is gemodelleerd naar het menselijk brein, dat uitblinkt in het herkennen van patronen. Het draaien van een dergelijk programma op standaardhardware is echter te traag en vereist te veel geheugen voor de split-seconde behoeften van quantumfoutcorrectie. Om dit op te lossen, heeft het team het programma vereenvoudigd door de precisie van de interne berekeningen te verminderen. Ze hebben de getallen die het programma gebruikt, van hoog-precieze decimalen omgezet naar veel eenvoudigere, laag-precieze waarden, vergelijkbaar met hoe een ruwe schets soms een idee even goed kan overbrengen als een gedetailleerd schilderij. Dit proces, bekend als kwantisatie, stelde hen in staat om de omvang van het programma drastisch te verkleinen zonder het vermogen om nauwkeurige beslissingen te nemen te verliezen. Ze testten deze aanpak op een vijf-qubit supergeleidende processor, die werkt op temperaturen kouder dan de diepe ruimte.
De resultaten toonden aan dat dit vereenvoudigde, snelle brein de toestanden van de vijf qubits met opmerkelijke nauwkeurigheid kon onderscheiden. Het systeem verwerkte de signalen en nam een beslissing in minder dan 50 miljardste van een seconde. Om deze snelheid in perspectief te plaatsen: dit is ongeveer de tijd die het licht nodig heeft om de lengte van een groot gebouw af te leggen. In de wereld van quantumcomputing, waar signalen in microseconden kunnen vervagen, is deze snelheid een game-changer. De onderzoekers ontdekten dat zelfs met de vereenvoudigde berekeningen, het systeem bijna even goed presteerde als de veel grotere, complexere versies, en het presteerde aanzienlijk beter dan oudere methoden die vertrouwden op standaard signaalverwerkingstechnieken.
Een cruciaal onderdeel van hun succes was hoe ze de hardware hadden gerangschikt. In plaats van de chip te dwingen de gegevens stap voor stap in een enkele lijn te verwerken, ontwierpen ze de chip om meerdere delen van de berekening gelijktijdig af te handelen. Stel je een drukke keuken voor waar een enkele chef eerst moet snijden, koken en opdienen; stel je nu een keuken voor met een team van chefs die tegelijkertijd aan elk deel van de maaltijd werken. Deze parallelle aanpak stelde de chip in staat om zijn werk veel sneller te voltooien. Het team ontdekte ook dat ze het aantal stappen dat het programma nodig had om tot een conclusie te komen, konden verminderen zonder de nauwkeurigheid aan te tasten, wat nog meer kostbare tijd opleverde.
De studie demonstreert dat het mogelijk is om een systeem met een lage latentie en hoge intelligentie te bouwen dat direct op de hardware past die een quantumcomputer aanstuurt. Dit betekent dat toekomstige quantumprocessors fouten bijna onmiddellijk kunnen controleren en corrigeren, waardoor de quantuminformatie lang genoeg levend wordt gehouden om complexe berekeningen uit te voeren. De onderzoekers hebben aangetoond dat hun ontwerp kan worden geïntegreerd in bestaande controleplatforms, wat het een praktisch hulpmiddel maakt voor de volgende generatie quantumexperimenten. Door te bewijzen dat een klein, snel en efficiënt neuraal netwerk de moeilijke taak kan afhandelen van het uitlezen van meerdere qubits tegelijkertijd, hebben ze een belangrijke flessenhals weggenomen die de ontwikkeling van betrouwbare quantumcomputers vertraagde.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.