PINNverse meets Jordan--Wigner: learning the Hamiltonian of long spin chains
Dit artikel toont aan dat het toepassen van de Jordan-Wigner-transformatie op inverse physics-informed neural networks (PINNverse) de exponentiële schaling bij het leren van quantum-Hamiltonianen elimineert, waardoor een nauwkeurige herwinning van parameters voor spin-ketens van tot wel 50 qubits mogelijk wordt met behulp van enkel lokale observabelen en netwerkoutputs.
Oorspronkelijk artikel vrijgegeven aan het publieke domein onder CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). 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
In de zoektocht naar het bouwen van betere kwantumcomputers worden wetenschappers geconfronteerd met een fundamenteel raadsel: hoe weet je precies wat een machine doet. Een kwantumcomputer is opgebouwd uit minuscule eenheden die qubits worden genoemd, die tegelijkertijd in meerdere toestanden kunnen bestaan. Om deze machines te laten werken, moeten ingenieurs ze met extreme precisie kalibreren, waarbij ze ervoor moeten zorgen dat de krachten die de qubits verbinden zich precies zo gedragen als bedoeld. Het probleem is dat naarmate je meer qubits toevoegt, het aantal zaken dat je moet meten zo snel groeit dat het al snel onmogelijk wordt om ze allemaal te controleren. Traditionele methoden vereisen zoveel verschillende meetinstellingen dat voor een machine met slechts twintig qubits de taak langer zou duren dan het leeftijd van het universum. Deze flessenhals staat al lang in de weg van het opschalen van kwantumtechnologie, waardoor onderzoekers achterblijven met een apparaat dat ze niet volledig kunnen begrijpen of controleren.
Een team natuurkundigen heeft een manier gevonden om deze onmogelijke barrière te omzeilen voor een specifiek en veelvoorkomend type kwantummachine. Ze ontwikkelden een nieuwe methode die gebruikmaakt van een slim computerprogramma om de verborgen instellingen van een lange keten van qubits te leren, zelfs wanneer die keten vijftig eenheden bevat. De doorbraak berust op een slim wiskundig trucje dat de manier waarop het probleem wordt bekeken, verandert. In plaats van te proberen elke mogbare toestand van de gehele keten te volgen, wat een exponentieel groeiende nachtmerrie is, realiseerden de onderzoekers zich dat ze het gedrag van het systeem konden beschrijven met een veel kleinere, hanteerbare set getallen. Door de qubits te behandelen alsof ze een stroom deeltjes zijn die langs een lijn bewegen, reduceerden ze de complexiteit van het probleem van iets dat in omvang explodeert naar iets dat traag en gestaag groeit. Dit stelde hen in staat om een neuraal netwerk te gebruiken—een type kunstmatige intelligentie ontworpen om patronen in gegevens te vinden—om de bewegingsvergelijkingen van het systeem op te lossen en vervolgens achteruit te werken om de exacte sterkte van de verbindingen tussen de qubits te ontdekken.
De onderzoekers testten hun aanpak met synthetische gegevens, wat computergegenereerde informatie is die nabootst wat een echt experiment zou produceren. Ze simuleerden ketens van qubits met variërende verbindingssterktes en lokale frequenties, inclusief de kleine, ongewenste interacties die hardware in de echte wereld vaak teisteren. Het neurale netwerk werd getraind om de toekomstige evolutie van het systeem in de tijd te voorspellen op basis van een paar eenvoudige metingen die op verschillende momenten werden genomen. Opmerkelijk genoeg leerde het netwerk niet alleen het toekomstige gedrag van de keten te voorspellen, maar identificeerde het ook succesvol de onderliggende parameters die deze beheersen. Voor ketens van tot wel vijftig qubits herstelde de methode de verbindingssterktes met een nauwkeurigheid van beter dan één tiende van een procent. Dit niveau van precisie werd bereikt met slechts vijf globale meetinstellingen, ongeacht hoe lang de keten was, terwijl oudere methoden voor een keten van die omvang miljoenen of zelfs miljarden instellingen zouden hebben vereist.
Een van de meest significante aspecten van dit werk is hoe het omgaat met de rommelige realiteit van kwanthardware. Echte apparaten zijn nooit perfect; ze lijden aan "crosstalk", waarbij een qubit onbedoeld een buurman beïnvloedt op een manier die niet geprogrammeerd was. De onderzoekers incorporeerden een techniek genaamd een tijdsonafhankelijke Hartree–Fock-sluiting in hun model. In eenvoudige termen is dit een manier om te benaderen hoe deze ongewenste interacties het systeem beïnvloeden zonder dat men elke enkele detail hoeft te berekenen, wat te traag zou zijn. De methode bleek robuust genoeg om deze parasitaire koppelingen te detecteren en te kwantificeren, waarbij ze zelfs wanneer ze zeer zwak waren, met hoge nauwkeurigheid identificeerde. Dit is cruciaal omdat weten wat de exacte aard van deze fouten is, de eerste stap is naar het oplossen ervan.
De studie onthulde ook een subtiele uitdaging die optreedt naarmate de ketens langer worden. Hoewel de methode de sterkte van de verbindingen tussen buren met extreme precisie kon vaststellen, cumuleerden de lokale frequenties van de qubits zelf kleine fouten over de lengte van de keten. Om dit op te lossen, combineerden de onderzoekers hun neurale netwerk met een traditionele statistische passende techniek. Het neurale netwerk leverde een zeer nauwkeurig startpunt, en de traditionele methode verfijnde het resultaat, waardoor de geaccumuleerde fouten werden verwijderd. Deze hybride aanpak stelde hen in staat om de parameters voor een vijftig-qubit keten te herstellen met fouten zo laag als zeven tienden van een procent, zelfs wanneer de gegevens realistisch niveau van ruis bevatten.
Dit werk demonstreert dat het mogelijk is om de Hamiltonian te leren—de wiskundige beschrijving van de energie en interacties van een systeem—voor grote kwantumapparaten zonder dat daar een exponentiële hoeveelheid gegevens voor nodig is. De methode is geen toverstaf die elk kwantumprobleem oplost; het is specifiek ontworig voor ketens waarbij de qubits voornamelijk met hun directe buren interageren. Echter, voor de supergeleidende circuits die momenteel de race leiden om praktische kwantumcomputers te bouwen, is deze beperking geen barrière maar een kenmerk. Deze apparaten vormen van nature ketens van uitwisselingsgekoppelde qubits, waardoor de nieuwe techniek direct toepasbaar is op de hardware die vandaag de dag wordt gebouwd. Door een onmogelijk meetprobleem te veranderen in een oplosbare leeropdracht, hebben de onderzoekers een krachtig hulpmiddel geboden voor de kalibratie van de volgende generatie kwantumsimulatoren, waardoor we dichter bij machines komen die de kracht van de kwantummechanica werkelijk kunnen benutten.
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.