Predicting Multipartite Entanglement in Quantum Circuits using Transformer

In het opkomende veld van quantum computing proberen wetenschappers machines te bouwen die problemen kunnen oplossen die ver buiten het bereik van de huidige computers liggen. Deze toekomstige machines vertrouwen op een vreemde eigenschap genaamd verstrengeling (entanglement), waarbij deeltjes zo diep met elkaar verbonden raken dat de toestand van het ene deeltje onmiddellijk invloed heeft op de anderen, ongeacht hoe ver ze van elkaar verwijderd zijn. Om deze machines te laten werken, ontwerpen onderzoekers complexe blauwdrukken genaamd quantumcircuits, wat sequenties van operaties zijn die deze deeltjes manipuleren. Een cruciale uitdaging in dit veld is weten of een specifieke blauwdruk wel goed is. Als een circuit niet genoeg verstrengeling kan genereren, faalt het in het produceren van de unieke quantumkracht die nodig is voor snelheid en nauwkeurigheid. Het controleren of een circuit werkelijk effectief is, is echter ongelooflijk moeilijk. De standaardmethode vereist het uitvoeren van duizenden willekeurige simulaties op een computer om de verstrengeling te meten, een proces dat zo traag en kostbaar wordt dat het onderzoekers effectief blokkeert bij het testen van de duizenden nieuwe ontwerpen die ze nodig hebben om de beste te vinden.

Om deze flessenhals te overwinnen, heeft een team onderzoekers uit Indonesië en China een nieuwe kunstmatige intelligentie-tool ontwikkeld die de verstrengelingskracht van een quantumcircuit bijna onmiddellijk kan voorspellen. In plaats van de trage, zware simulaties uit te voeren, trainden zij een geavanceerd computermodel om naar de structuur van een circuit te kijken en de prestaties te raden. Het team richtte zich op twee specifieke manieren om verstrengeling te meten: een standaardmethode die kijkt naar hoe individuele deeltjes verbonden zijn, en een meer geavanceerde methode die controleert hoe groepen van drie of meer deeltjes tegelijkertijd verbonden zijn. De onderzoekers ontdekten dat terwijl de standaardmethode een algemeen beeld geeft, de geavanceerde methode verborgen details over de structuur van het circuit onthult die de standaardmethode volledig mist. Door hun model te leren beide te herkennen, creëerden ze een systeem dat in staat is om onderscheid te maken tussen circuits die aan de oppervlakte op elkaar lijken, maar zeer verschillende interne capaciteiten hebben.

De onderzoekers bouwden hun tool met behulp van een dataset van vijftigduizend verschillende quantumcircuits, variërend van vier tot acht deeltjes. Ze voerden het model niet alleen een eenvoudige lijst met stappen; in plaats daarvan leerden ze het om het circuit op twee verschillende manieren tegelijkertijd te zien. Eén weergave behandelde het circuit als een tijdlijn van gebeurtenissen, die de volgorde liet zien waarin operaties plaatsvonden. De andere weergave, die het team zelf uitvond, bracht het circuit in kaart als een web van verbindingen, waarbij de focus lag op welke deeltjes met elkaar interactie hadden en hoe vaak, ongeacht de timing. Door deze twee perspectieven te versmelten, leerde het model de diepe geometrie van het quantumsysteem te begrijpen. Bij tests bleek het model opmerkelijk accuraat. Het kon de standaard verstrengelingsscore voorspellen met een foutmarge van minder dan vier procent, en de geavanceerde score eveneens met een foutmarge van minder dan vier procent. Belangrijker nog, het was uitstekend in het rangschikken van circuits, waarbij het correct identificeerde welke ontwerpen de sterkste en welke de zwakste waren, een taak die vaak waardevoller is voor ingenieurs dan het weten van het exacte getal.

Deze aanpak biedt een enorm voordeel in snelheid. Terwijl de traditionele methode om een enkel circuit te controleren minuten of uren computertijd kan kosten, kan het nieuwe model duizenden ontwerpen evalueren in de tijd die nodig is om te knipperen met de ogen. In hun tests toonden de onderzoekers aan dat het gebruik van deze tool het aantal dure simulaties dat nodig is om de beste ontwerpen te vinden, met een factor vijf tot zes kan verminderen. Dit betekent dat wetenschappers nu door een veel breder scala aan circuitontwerpen kunnen zoeken zonder vast te komen te zitten in de computationele modder. De studie onthulde ook een fysiek inzicht over hoe deze circuits werken: het simpelweg langer of dieper maken van een circuit maakt het niet altijd beter. De onderzoekers ontdekten dat de dichtheid van specifieke soorten operaties belangrijker is dan de totale lengte, en dat het toevoegen van meer lagen voorbij een bepaald punt de verstrengeling zelfs niet meer verbetert. Dit suggereert dat de krachtigste quantumcircuits compacter kunnen zijn dan voorheen werd gedacht.

Het succes van dit project suggereert een nieuwe weg voorwaarts voor het ontwerpen van quantumcomputers. Door dit snelle, nauwkeurige voorspellingsinstrument te gebruiken, kunnen onderzoekers zwakke ontwerpen snel uitfilteren en hun middelen richten op de meest veelbelovende kandidaten. Het team bevestigde dat het succes van hun model voortkwam uit het vermogen om het web van verbindingen tussen deeltjes te zien, en niet alleen uit het hebben van een grotere computerhersenen. Dit onderscheid is cruciaal, omdat het bewijst dat het begrijpen van de specifieke manier waarop deeltjes interageren belangrijker is dan het simpelweg verwerken van meer data. Naarmate het veld beweegt naar het bouwen van grotere en complexere quantummachines, zullen tools zoals deze essentieel zijn om door het enorme landschap van mogelijke ontwerpen te navigeren, om ervoor te zorgen dat de gebouwde circuits niet alleen complex zijn, maar ook werkelijk in staat zijn om de volledige kracht van quantumverstrengeling te benutten.