Normalizing Flows for Classical Simulation of Quantum Circuits in Phase Space
Dit artikel introduceert een nieuw raamwerk dat normaliserende flows gebruikt om kwantumcircuits te representeren als kansverdelingen op een faseruimte-variëteit, waarbij een superieure nauwkeurigheid wordt aangetoond ten opzichte van bestaande neurale netwerkmethoden voor het simuleren van grootschalige kwantumsystemen.
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 auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De zoektocht naar het begrijpen van de kwantumwereld voelt vaak als het proberen in kaart te brengen van een landschap dat weigert stil te blijven staan. In het domein van quantum computing bestuderen wetenschappers systemen die bestaan uit minuscule deeltjes genaamd qubits, die tegelijkertijd in meerdere toestanden kunnen bestaan. Om te voorspellen hoe deze systemen zich gedragen, proberen onderzoekers traditioneel elke mogelijke configuratie van de deeltjes te volgen, een taak die onmogelijk moeilijk wordt naarmate het systeem groter wordt. Wanneer een computer slechts een paar dozijn qubits heeft, explodeert het aantal mogelijkheden voorbij de capaciteit van zelfs de krachtigste supercomputers. Deze beperking is de centrale hindernis in het vakgebied: als we deze systemen niet op gewone computers kunnen simuleren, kunnen we ze niet volledig begrijpen, noch kunnen we betrouwbaar de quantumhardware van de toekomst ontwerpen. Decennialang hebben wetenschappers vertrouwd op gespecialiseerde wiskundige trucjes die goed werken voor eenvoudige, ordelijke circuits, maar falen wanneer het systeem complex of chaotisch wordt.
Een team van onderzoekers aan het ICFO Instituut voor Fotonische Wetenschappen en de Universiteit van Warschau heeft een nieuwe manier voorgesteld om dit moeilijke terrein te navigeren. In plaats van te proberen de exacte, rigide staat van elk deeltje te volgen, behandelen zij het quantum systeem als een stromend landschap van waarschijnlijkheden. Stel je de staat van een quantumcomputer niet voor als één enkel punt, maar als een wolk van mist die zich verspreidt over een uitgestrekt, meerdimensionaal oppervlak. In dit beeld zijn de operaties die een quantumcomputer uitvoert geen rigide schakelaars, maar vloeiende transformaties die de wolk hervormen. De onderzoekers ontwikkelden een methode om te leren hoe men deze wolk stap voor stap kan hervormen, waarbij de werking van een quantumcircuit wordt nagebootst zonder elke afzonderlijke mogelijkheid te hoeven berekenen. Ze noemen deze aanpak een "normalizing flow", een type machine learning-model dat bijzonder goed is in het leren hoe men de ene vorm in een andere transformeert. Door deze modellen te trainen om het pad van een quantumcircuit te volgen, creëerde het team een instrument dat grote quantumsystemen kan simuleren met een nauwkeurigheidsniveau dat voorheen onbereikbaar was.
De kern van dit werk ligt in een specifieke manier van kijken naar quantummechanica, bekend als de fase-ruimte formulering. In dit kader wordt de staat van een verzameling qubits gerepresenteerd als een waarschijnlijkheidsverdeling, vergelijkbaar met hoe een weerkaart de kans op regen in een bepaalde regio weergeeft. De onderzoekers kozen een specif kind van kaart, de Q-functie, die de nuttige eigenschap heeft om altijd positieve waarden te tonen, waardoor het als een echte waarschijnlijkheidsverdeling kan worden behandeld. Wanneer een quantumgate, of operatie, op het systeem inwerkt, verandert dit de verdeling. In het verleden was het berekenen van deze verandering moeilijk omdat de wiskundige regels die de transformatie beheersen vaak negatieve getallen involleerden, wat de logica van waarschijnlijkheid doorbreekt. De onderzoekers losten dit op door een generatief model te gebruiken om de transformatie direct te leren. In plaats van telkens de complexe wiskunde van de transformatie te proberen te berekenen, trainden ze een neuraal netwerk om de vorm van de nieuwe verdeling op basis van de oude te leren.
Deze methode werkt door het quantumcircuit op te delen in een reeks stappen. Voor elke gate in het circuit leert het model een specifieke flow die de waarschijnlijkheidswolk van de huidige vorm naar de volgende vorm duwt. Omdat het model deze flows sequentieel leert, kan het een complexe transformatie opbouwen door eenvoudige te stapelen, vergelijkbaar met het herhaaldelijk vouwen van een stuk papier om een complexe vorm te creëren. De onderzoekers testten deze aanpak op drie verschillende soorten quantumcircuits: één die een specifieke verstrengelde staat creëert, bekend als een clusterstaat, een andere die een Greenberger-Horne-Zeilinger (GHZ) staat creëert, en een derde die de grondtoestand voorbereidt van een magnetisch model genaamd het transversale-veld Ising-model. In elk geval vergeleken ze hun resultaten met de exacte wiskundige oplossingen en met andere leidende simulatiemethoden.
De resultaten lieten zien dat de nieuwe methode standhoudt, zelfs wanneer de systemen groter worden. Voor de voorbereiding van de clusterstaat bereikte het model een fidelity, of nauwkeurigheid, van ongeveer 0,96 bij het simuleren van een systeem met 64 qubits. Dit is een significante verbetering ten opzichte van andere methoden, die bij een vergelijkbare systeemgrootte rond de 0,91 zakten. Voor de GHZ-staat bereikte het model een fidelity van ongeveer 0,965, waarmee het de voorheen beste methoden overtrof. In het geval van het complexere Ising-modelcircuit nam de nauwkeurigheid slechts licht af naarmate er meer gates werden toegevoegd, waarbij een hoog niveau van precisie werd behouden dat een transformer-gebaseerd model met een duidelijke marge overtrof. Deze bevindingen suggereren dat de aanpak robuust genoeg is om de complexiteit van real-world quantumcircuits aan te kunnen, met name die die veel deeltjes en diepe sequenties van operaties bevatten.
De onderzoekers merken echter voorzichtig op wat de beperkingen van hun succes zijn. De methode werkt het beste wanneer de quantumgates op een klein aantal qubits tegelijk inwerken, wat gebruikelijk is voor veel fysieke systemen. Als een gate op alle qubits tegelijkertijd zou inwerken, zou de computationele kost onbetaalbaar worden. Bovendien is het model geen universele solver die voor elke mogelijke inputtoestand werkt zonder hertraining; het leert het specifieke pad van het circuit waarop het is getraind. De nauwkeurigheid van de simulatie hangt ook af van de diepte van het circuit, waarbij de fout langzaam toeneemt naarmate het aantal gates groter wordt. Ondanks deze beperkingen toont het werk een levensvatbaar pad vooruit voor het simuleren van quantumsystemen die voorheen buiten bereik lagen. Door de quantumtoestand te behandelen als een leerbare waarschijnlijkheidsverdeling, hebben de onderzoekers een nieuwe weg geopend voor het begrijpen van het gedrag van complex quantummaterie, en bieden zij een instrument dat kan helpen de kloof te overbruggen tussen theoretische kwantumfysica en praktische kwantumengineering.
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.