Virtual quantum neural networks
Dit artikel introduceert "virtuele kwantumneurale netwerken", een uitgebreid model dat gebruikmaakt van willekeurige bemonstering en klassieke verwerking om lineaire combinaties van volledig positieve kaarten te incorporeren, waardoor de expressiviteit en ruisbestendigheid worden verbeterd voor taken zoals foutmitigatie, classificatie en energie-estimatie op nabijheidstermijn kwantumhardware.
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
In het huidige tijdperk van quantumcomputing zijn machines krachtig genoeg om berekeningen uit te voeren die zelfs de meest geavanceerde klassieke supercomputers zouden verbazen, maar ze blijven fragiel. Deze apparaten, bekend als noisy intermediate-scale quantum processors, werken met een paar honderd kleine eenheden die qubits worden genoemd. Hoewel ze nieuwe domeinen van de fysica en chemie kunnen verkennen, lijden ze aan een fundamenteel gebrek: omgevingsinterferentie veroorzaakt fouten die de gegevens bijna zodra ze zijn gegenereerd, corrumperen. Om deze machines bruikbaar te maken, vertrouwen wetenschappers op een methode genaamd quantum neurale netwerken. Denk hierbij aan een leercyclus waarbij een quantumcircuit, aangepast door een reeks knoppen, informatie verwerkt en een output produceert. Een klassieke computer controleert vervolgens hoe dicht die output bij het gewenste resultaat ligt en draait aan de knoppen om de volgende poging te verbeteren. Deze cyclus stelt onderzoekers in staat om de machine te trainen om problemen op te lossen, zoals het identificeren van patronen in data of het vinden van de meest stabiele energietoestand van een molecuul, ondanks de imperfecties van de hardware. Deze traditionele aanpak is echter beperkt omdat het slechts een smal pad van mogelijke berekeningen kan verkennen, beperkt door wat de fysieke machine daadwerkelijk kan doen in een enkele run.
Een team van onderzoekers heeft nu een manier voorgesteld om deze barrière te doorbreken door te veranderen hoe het leerproces werkt. In plaats van te vertrouwen op één enkel quantumcircuit om het zware werk te doen, introduceerden zij een nieuw model genaamd een virtueel quantum neuraal netwerk. In deze aanpak voert de computer niet alleen één circuit uit; het neemt willekeurig veel verschillende circuits, elk met zijn eigen instellingen, en voert deze uit op de quantumhardware. De resultaten van deze meerdere runs worden niet simpelweg gemiddeld. In plaats daarvan neemt een klassieke computer de data van al deze afzonderlijke experimenten en combineert deze met behulp van een specif kind specifiek wiskundig recept. Dit recept houdt in dat de resultaten op een manier worden opgeteld en afgetrokken die een enkel fysiek circuit nooit uit zichzelf zou kunnen bereiken. Door deze uitkomsten te mengen, creëert het systeem een "virtuele" operatie die veel flexibeler en krachtiger is dan welk enkel circuit dan ook. Het is alsof de onderzoekers een manier hebben gevonden om een veel complexere machine te simuleren door de outputs van verschillende eenvoudigere, luidruchtigere machines slim aan elkaar te naaien.
De onderzoekers testten dit idee op drie verschillende uitdagingen om te zien of de virtuele aanpak echte voordelen bood. Eerst pakten ze het probleem aan van het corrigeren van fouten veroorzaakt door onbekende ruis. In standaard quantumcomputing is het corrigeren van fouten meestal nodig wanneer men precies weet welk type ruis de machine beïnvloedt. De nieuwe methode werkte echter zelfs wanneer de ruis een mysterie was. Door het virtuele netwerk te trainen om de effecten van de ruis te omkeren, ontdekte het team dat hun systeem de juiste informatie met bijna perfecte nauwkeurigheid kon herstellen, zelfs wanneer de onderliggende hardware gebrekkig was. De simulaties toonden aan dat de methode de beste manier kon vinden om fouten te elimineren, waarbij het bijna even goed presteerde als wanneer de ruis vanaf het begin perfect begrepen zou zijn.
Vervolgens paste het team het model toe op een binaire classificatietaak, wat in essentie het leren van de machine om data in twee categorieën te sorteren is, zoals het onderscheiden van twee soorten vormen. In deze test presteerde het virtuele netwerk consequent beter dan traditionele quantumclassifiers. Wanneer de data in het systeem werd gevoerd, leerde het virtuele netwerk nauwkeurigere voorspellingen te doen, zelfs wanneer de quantumgates die de data verwerkten ruisig waren. De resultaten toonden aan dat door het systeem een breder scala aan mogelijkheden te laten verkennen via willekeurige bemonstering, de machine robuuster werd tegen de fouten die quantumapparaten gewoonlijk teisteren.
Ten slotte gebruikten de onderzoekers hun methode om de grondtoestandsenergie van een molecuul te schatten, een berekening die bepaalt wat de meest stabiele configuratie van atomen is en cruciaal is voor het begrijpen van chemische reacties. Dit is een beruchte moeilijke taak voor luidruchtige quantumcomputers, omdat kleine fouten kunnen leiden tot volkomen onjuiste energiewaarden. Het team introduceerde een nieuw algoritme gebaseerd op hun virtuele netwerk om dit op te lossen. Hun simulaties toonden aan dat door de outputs van meerdere luidruchtige circuits te combineren, het systeem de energie van het molecuul met aanzienlijk hogere precisie kon schatten dan standaardmethoden. Het virtuele netwerk filterde de ruis effectief weg, waardoor de onderzoekers veel dichter bij de ware fysieke waarde konden komen dan voorheen mogelijk was met dezelfde hardware.
De kernbevinding van dit werk is dat de beperkingen van de huidige quantumhardware niet noodzakelijkerwijs een doodlopende weg zijn. Door meer tijd te investeren in het bemonsteren van meerdere circuits en klassieke computers te gebruiken om de resultaten te verwerken, kunnen wetenschappers een veel bredere ruimte van berekeningen ontsluiten. Deze aanpak vereist niet het wachten op perfecte, foutvrije machines; in plaats daarvan gebruikt het de bestaande luidruchtige apparaten intelligenter. Het virtuele quantum neurale netwerk fungeert als een brug, die de zwakte van ruis verandert in een beheersbare variabele en de reikwijdte vergroot van wat deze vroege stadium quantumcomputers daadwerkelijk kunnen bereiken. De studie suggereert dat dit flexibele leerparadigma een standaardinstrument kan worden om nabije-term quantumhardware nuttiger te maken voor echte toepassingen in wetenschap en techniek.
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.