Trial-space co-design for quantum simulation on noisy hardware
Dit artikel introduceert een trial-space co-design framework dat inzichten uit fysieke problemen en ruisgevoelige hardwarebeperkingen integreert om de basis toestanden van kwantumsimulaties en evolutietijden te optimaliseren, waarbij een reductie van 54% in energie-fout wordt aangetoond ten opzichte van uniforme bemonstering via een vier-qubit experiment.
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 onmogelijk zijn voor de machines van vandaag, van het ontwerpen van nieuwe medicijnen tot het begrijpen van het gedrag van complexe materialen. Om dit te doen, gebruiken ze minuscule deeltjes die qubits worden genoemd, die in meerdere toestanden tegelijk kunnen bestaan. Deze machines zijn echter momenteel erg kwetsbaar. De kleinste verstoring door warmte of elektrische ruis zorgt ervoor dat ze hun informatie verliezen, een probleem dat wetenschappers "ruis" noemen. Daarom moeten onderzoekers hun experimenten vaak zo ontwerpen alsof de computer perfect is, waarbij ze zich pas zorgen maken over de gebreken van de machine nadat ze al hebben gekozen welke toestanden ze willen bestuderen. Deze aanpak laat veel potentieel rendement liggen, omdat de beste manier om een probleem te representeren eigenlijk afhankelijk kan zijn van de specifieke eigenaardigheden van de defecte machine die het probeert op te lossen.
Een team van onderzoekers heeft nu een nieuwe manier gedemonstreerd om deze kloof te overbruggen, een methode die zij "trial-space co-design" noemen. In plaats van het fysieke probleem en de hardware als aparte kwesties te behandelen, gebruiken ze informatie over zowel het probleem als de specifieke computer om te beslissen welke toestanden voorbereid en gemeten moeten worden nog voordat het experiment begint. Door dit te doen, ontdekten ze dat ze de nauwkeurigheid van hun resultaten op echte, ruisgevoelige hardware aanzienlijk konden verbeteren. Hun werk suggereert dat door de representatie van een probleem aan te passen aan de beperkingen van de machine, in plaats van de machine te dwingen in een geïdealiseerd model te passen, we veel betere antwoorden kunnen krijgen van de huidige imperfecte quantumcomputers.
De kern van het idee berust op hoe een quantummechanisch systeem in de loop van de tijd verandert. In een perfecte, geïsoleerde wereld evolueert een quantumtoestand door de interne fasen te roteren, zoals een wijzer van een klok die rond een gezicht draait, terwijl de relatieve belangrijkheid van de verschillende onderdelen gelijk blijft. Om de laagste energietoestand van een systeem te vinden, maken onderzoekers gewoon foto's van deze evolutie op verschillende tijdstippen en combineren deze. De onderzoekers realiseerden zich echter dat als ze een gecontroleerde, gemonitorde interactie met de omgeving introduceren, ze iets krachters kunnen doen: ze kunnen de relatieve belangrijkheid van die onderdelen veranderen. Stel je een filter voor dat bepaalde soorten bewegingen voorzichtig onderdrukt terwijl andere erdoorheen gaan. Door te wachten op een specifieke uitkomst — in feite te kijken of er een "sprong" of transitie plaatsvindt — kunnen ze alleen de takken van het experiment behouden waar niets is gesprongen. Dit proces hervormt de toestand, waardoor de delen die het meest nuttig zijn voor de berekening worden versterkt en de rest wordt onderdrukt.
Deze hervorming stelt de onderzoekers in staat om nuttige richtingen in de probleemruimte te vinden die anders onzichtbaar zouden zijn of veel meer tijdsamples zouden vereisen om te reconstrueren. Ze testten dit concept op verschillende modellen, waaronder een model van elektronen die bewegen op een rooster en een model van interagerende spins. In deze simulaties identificeerde de nieuwe methode succesvol een veel kleinere set toestanden die de essentiële fysica van het probleem veel beter vastlegden dan de traditionele methode. In één test verminderde de nieuwe aanpak de fout in de berekende energie met een factor bijna tweehonderd vergeleken met de standaardmethode. De onderzoekers ontdekten echter ook een cruciale limiet: hoewel de nieuwe methode zeer informatieve toestanden creëert, kunnen die toestanden soms zo vergelijkbaar worden dat een ruisgevoelige computer ze niet van elkaar kan onderscheiden. Als de toestanden te veel op elkaar lijken, kan de computer het signaal niet betrouwbaar onderscheiden van de ruis, waardoor de extra informatie nutteloos wordt. Dit betekent dat het ontwerp een balans moet vinden tussen het vinden van de meest informatieve toestanden en het waarborgen dat ze voldoende verschillend blijven om gemeten te kunnen worden.
Om te zien of dit in de echte wereld werkte, gingen de onderzoekers van simulaties naar een live quantumprocessor. Ze gebruikten een apparaat met vier qubits om een magnetisch systeem te simuleren. Voordat ze het experiment uitvoerden, gebruikten ze een verslag van de huidige gezondheid van de machine — hoe lang de qubits stabiel blijven en hoe vaak de poorten fouten maken — om de beste tijdstippen te kiezen om het systeem te meten. Ze vergeleken twee strategieën: één die de meetmomenten gelijkmatig over de tijd verdeelde, en een andere die specifieke, ongelijkmatige momenten koos op basis van het probleem en de huidige conditie van de machine. Over zeven dagen van testen produceerde de strategie die gebruik maakte van de probleem-geïnformeerde, ongelijkmatige momenten consequent nauwkeurigere resultaten. Gemiddeld werd de fout in de berekende energie met 54 procent verminderd vergeleken met de uniforme sampling-methode. Deze verbetering bleef standhouden, zelfs toen de prestaties van de machine van dag tot dag licht varieerden, wat bewees dat het afstemmen van het experiment op de specifieke hardware en het specifieke probleem beter werkt dan een "one-size-fits-all" aanpak.
De onderzoekers onderzochten ook of deze methode toegepast kon worden op verschillende soorten problemen, zoals het simuleren van een stikstofmolecuul. Ze ontdekten dat hoewel de specifieke regels voor het filteren van de toestanden veranderden afhankelijk van het probleem, de algemene logica hetzelfde bleef: gebruik de structuur van het probleem om kandidaat-toestanden te genereren, controleer of de machine deze kan ondersteunen, en los vervolgens het probleem op in deze kleinere, geoptimaliseerde ruimte. Deze flexibiliteit is essentieel, aangezien het betekent dat de methode niet gebonden is aan één specifiek type fysica of één specifieke machine. Het werk beweert niet alle problemen van quantumcomputing te hebben opgelost, noch suggereert het dat ruis nu een nuttig hulpmiddel is in algemene zin. In plaats daarvan laat het zien dat gestructureerde informatie over het probleem en het apparaat gebruikt kan worden om een betere representatie voor de berekening te ontwerpen. Door de interface tussen het algoritme en de hardware intelligenter te maken, biedt deze aanpak een praktische manier om meer uit de huidige ruisgevoelige quantumcomputers te halen, waarbij de beperkingen van de machine worden omgezet in een gids voor hoe de juiste vragen gesteld moeten worden.
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.