Symmetry and AI-assisted discovery of magic-state factories

Quantumcomputers beloven problemen op te lossen die de huidige supercomputers millennia zouden kosten om te kraken, maar ze kampen met een fundamentele kwetsbaarheid. De delicate kwantum bits, of qubits, die informatie vasthouden, worden gemakkelijk verstoord door warmte, trillingen of afleidende elektromagnetische velden. Om een machine te bouwen die daadwerkelijk kan werken, moeten wetenschappers deze informatie beschermen met een techniek die foutcorrectie wordt genoemd. Dit proces houdt in dat een enkel stuk logische informatie over vele fysieke qubits wordt verspreid, waardoor het systeem fouten kan detecteren en herstellen zonder de gegevens te vernietigen. Hoewel de basisoperaties die nodig zijn om deze informatie rond te bewegen relatief eenvoudig betrouwbaar uit te voeren zijn, zijn de krachtigste operaties die vereist zijn voor complexe berekeningen veel moeilijker uit te voeren zonder nieuwe fouten te introduceren. Om deze kloof te overbruggen, vertrouwen onderzoekers op een speciale hulpbron die een "magic state" wordt genoemd. Dit zijn hooggezuiverde kwantumtoestanden die, wanneer ze in het systeem worden geïnjecteerd, de computer in staat stellen de moeilijke, niet-standaard operaties uit te voeren die nodig zijn voor universele berekeningen. Het creëren van deze toestanden is echter kostbaar; het proces van het distilleren van deze uit ruisende, imperfecte versies verbruikt een enorme hoeveelheid van de tijd en de fysieke middelen van de machine.

De centrale uitdaging bij het bouwen van een praktische quantumcomputer is uitzoeken hoe de distillatieprocessen zo efficiënt mogelijk gemaakt kunnen worden. Als het proces te verspillend is, zal de computer het grootste deel van zijn leven besteden aan het maken van de brandstof die hij nodig heeft om te draaien, waardoor er weinig tijd overblijft voor werkelijke berekeningen. Jarenlang hebben wetenschappers gezocht naar betere manieren om de circuits die deze distillatie uitvoeren te rangschikken, op zoek naar patronen die het aantal ruisende inputs minimaliseren dat nodig is om een enkele hoogwaardige output te produceren. Tot nu toe was deze zoektocht beperkt tot relatief kleine systemen. Het vinden van de meest efficiënte arrangementen voor grotere systemen was als het zoeken naar een specifieke naald in een hooiberg die steeds groter wordt, een taak die voor traditionele methoden snel onmogelijk wordt om te voltooien. Een team van onderzoekers heeft nu deze barrière doorbroken door wiskundige symmetrie te combineren met kunstmatige intelligentie om honderden nieuwe, efficiëntere manieren te ontdekken om deze essentiële componenten te bouwen.

De onderzoekers benaderden het probleem door het distillatieproces niet alleen te zien als een circuit van draden en poorten, maar als een gestructureerd rooster van informatie. Ze realiseerden zich dat voor een systeem dat robuust genoeg moet zijn om fouten te vangen, de manier waarop de inputs interageren een strikte regel moet volgen: elke input moet een unieke, niet-nul "vingerafdruk" achterlaten op de foutcontroles van het systeem. Als twee inputs dezelfde vingerafdruk achterlaten, kan het systeem hen niet van elkaar onderscheiden, en zouden fouten ongedetecteerd binnensluipen. Dit inzicht stelde hen in staat de opdracht in twee delen te splitsen. Eerst moesten ze een set unieke vingerafdrukken kiezen, die ze een "parent"-structuur noemden. Ten tweede moesten ze uitzoeken hoe ze de outputs moesten rangschikken zodat ze overeenkwamen met de gewenste berekening. Door zich eerst op de vingerafdrukken te richten, konden ze de oneindige mogelijkheden beperken tot een beheersbare set kandidaten.

Om door dit enorme landschap van mogelijkheden te navigeren, zette het team een groep kunstmatige intelligentie-agenten in. Deze agenten gokten niet simpelweg; ze fungeerden als een collaboratieve onderzoeksgroep. Een set agenten stelde nieuwe structuren voor op basis van wiskundige symmetrieën, waarbij ze in feite patronen suggereerden die goed samen zouden kunnen werken. Een andere set agenten fungeerde als beoordelaars, door de resultaten van eerdere pogingen te analyseren en te beslissen welke richtingen het waard waren om verder te volgen. Een derde set agenten schreef de instructies voor de volgende ronde van het zoeken. Dit hele proces werd beheerd door een deterministische motor die elk voorstel strikt controleerde. Als een agent een nieuwe arrangement voorstelde, controleerde de motor wiskundig of het daadwerkelijk werkte en of het inderdaad fouten kon vangen zoals beloofd. Deze lus van voorstel, verificatie en verfijning stelde het team in staat om regio's van de zoekruimte te verkennen die voorheen ontoegankelijk waren voor menselijke onderzoekers of standaard computeralgoritmen.

De resultaten van deze zoektocht waren aanzienlijk. Het team identificeerde 699 verschillende klassen van distillatiefabrieken, waarvan er 564 volledig nieuwe ontdekkingen waren. Deze nieuwe ontwerpen bestrijken een breed scala aan groottes, van systemen met slechts een paar dozijn inputs tot massieve structuren met meer dan duizend inputs. Onder de bevindingen waren verschillende ontwerpen die nieuwe records voor efficiëntie vestigden. Eén specifiek ontwerp, in staat om 128 hoogwaardige toestanden te produceren uit 850 ruisende inputs, bereikte een niveau van efficiëntie dat nog nooit eerder was gezien voor systemen van die omvang. Nog opmerkelijker is dat het team een ontwerp vond met 1.715 inputs dat minder middelen per output vereiste dan welke bekende methode ook, waarmee het effectief een langdurige barrière doorbrak waarbij de kosten van distillatie als onvermijdelijk werden beschouwd. Deze ontwerpen zijn niet beperkt tot het produceren van één type toestand; ze kunnen ook complexe, verstrengelde combinaties van verschillende kwantumtoestanden genereren, wat vaak nuttiger is voor specifieke soorten berekeningen.

De betekenis van deze bevindingen reikt verder dan de specifieke cijfers. De onderzoekers hebben hun volledige ontdekkingsproces openbaar gemaakt, door een directory van instructies en gegevens beschikbaar te stellen die anderen in staat stellen om hun eigen AI-agenten te trainen om naar nog betere oplossingen te zoeken. Deze aanpak transformeert de zoektocht naar betere kwantumcomponenten van een solitaire, statische inspanning naar een dynamische, door de gemeenschap gedreven exploratie. Door te bewijzen dat AI-ondersteunde methoden succesvol de complexe beperkingen van kwantumfoutcorrectie kunnen navigeren, opent het werk de deur naar een toekomst waarin de meest hulpbronnenintensieve delen van quantumcomputing continu geoptimaliseerd kunnen worden. Het team heeft effectief een nieuwe kaart voor de kwantumgemeenschap getekend, die laat zien dat de weg naar een praktische, fouttolerante quantumcomputer niet geblokkeerd wordt door een gebrek aan ideeën, maar door de moeilijkheid om de juiste te vinden tussen miljarden mogelijkheden. Met deze nieuwe instrumenten en ontdekkingen komt de droom van een machine die in staat is om de moeilijkste problemen van de wereld betrouwbaar op te lossen, een belangrijke stap dichter bij de realiteit.