← Nieuwste papers
⚛️ kwantumfysica

General Noise Channels and Mid-Circuit Measurements for Pre-Trajectory Sampling with Batched Execution

Dit artikel introduceert een methode voor gegeneraliseerde pre-trajectoriële bemonstering met gebufferde uitvoering (PTSBE) die snelle, exacte simulatie van ruisgevoelige kwantumcircuits met metingen halverwege de uitvoering en algemene Kraus-kanalen op GPU's mogelijk maakt, waarbij snelheden tot 83x worden bereikt ten opzichte van conventionele methoden terwijl significante onnauwkeurigheden in Pauli-getwiste ruisbenaderingen worden onthuld.

Oorspronkelijke auteur: Louis Follet, Paavai Pari, Isidor Schoch, Thien Nguyen, Justin G. Lietz, Daniel Lowell, Brucek Khailany, Krysta M. Svore, Dirk R. Englund, Taylor L. Patti

Gepubliceerd 2026-11-19
📖 6 min leestijd🧠 Diepgaand

Oorspronkelijke auteur: Louis Follet, Paavai Pari, Isidor Schoch, Thien Nguyen, Justin G. Lietz, Daniel Lowell, Brucek Khailany, Krysta M. Svore, Dirk R. Englund, Taylor L. Patti

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

Om een computer te bouwen die problemen kan oplossen die buiten het bereik van de huidige machines liggen, wenden wetenschappers zich tot de vreemde wetten van de kwantumfysica. Deze kwantumcomputers maken gebruik van minuscule deeltjes, zoals atomen of elektronen, die tegelijkertijd in meerdere toestanden kunnen bestaan, waardoor ze informatie kunnen verwerken op manieren die klassieke computers niet kunnen. Deze delicate systemen worden echter gemakkelijk verstoord door hun omgeving, wat fouten veroorzaakt die de berekening corrupt maken. Om dit op te lossen, gebruiken onderzoekers een techniek genaand kwantumfoutcorrectie, die het systeem constant controleert op fouten en deze herstelt zonder de informatie te vernietigen. Dit proces vereist het doen van duizenden metingen om bij te houden wat er binnen de machine gebeurt. Om deze systemen te ontwerpen en de software te trainen die er uiteindelijk op zal draaien, moeten wetenschappers simuleren hoe deze computers zich gedragen onder realistische omstandigheden. De uitdaging is dat het simuleren van de exacte, rommelige realiteit van deze kwantumfouten ongelooflijk traag en rekenintensief is, terwijl de snellere methoden die beschikbaar zijn vaak vertrouwen op vereenvoudigingen die de resultaten op subtiele maar belangrijke manieren veranderen.

Een team van onderzoekers van NVIDIA, MIT en de Universiteit van Oxford heeft een nieuwe methode ontwikkeld om deze kloof te overbruggen, waardoor snelle en exacte simulaties van ruisige kwantumcircuits mogelijk zijn. Hun werk richt zich op een specif kind van simulatie genaamd traject-sampling, die het pad volgt dat een kwantumsysteem aflegt terwijl het evolueert. In het verleden moesten simulators kiezen tussen snelheid en nauwkeurigheid. De snelste tools konden alleen vereenvoudigde ruismodellen aan, waarbij de complexe, echte interacties die optreden wanneer een kwantumcomputer halverwege de berekening zijn eigen toestand meet, effectief werden genegeerd. De nauwkeurigere tools konden deze complexiteiten aan, maar waren zo traag dat het genereren van de enorme datasets die nodig zijn voor moderne machine learning onpraktisch was. De onderzoekers creëerden een techniek genaamd 'generalized pre-trajectory sampling with batched execution'. Deze aanpak stelt hen in staat om het exacte gedrag van kwantumcircuits te simuleren, inclusen die met metingen halverwege de berekening en algemene typen ruis, tegen snelheden die voor dergelijke gedetailleerde modellen voorheen als onmogelijk werden beschouwd.

De kern van hun innovatie ligt in de manier waarop zij omgaan met de willekeur die inherent is aan de kwantummechanica. In een kwantumsysteem is de uitkomst van een meting of het effect van ruis niet vooraf bepaald; het is een kwestie van waarschijnlijkheid. Traditionele simulators zouden een enkele simulatie draaien, een willekeurige keuze maken voor elke gebeurtenis, en dan opnieuw beginnen voor de volgende run. Dit betekende dat als twee runs een tijdje hetzelfde pad volgden, de computer tijd zou verspillen aan het twee keer exact dezelfde stappen berekenen. De nieuwe methode verandert dit door sommige willekeurige uitkomsten vooraf te beslissen, nog voordat de simulatie begint. Het identificeert delen van het proces waar de kansen vaststaan en onafhankelijk zijn van de huidige toestand van het systeem, en selecteert die uitkomsten vooraf. Voor de delen die wel afhangen van de toestand, wacht het tot de simulatie dat punt bereikt om de beslissing te nemen.

Deze strategie stelt de onderzoekers in staat om veel potentiële simulatieruns samen te groeperen. Als een groep runs dezelfde vooraf geselecteerde uitkomsten deelt, kunnen ze het circuit samen als een enkele eenheid doorlopen. Pas wanneer ze een punt bereiken waar de toestand-afhankelijke beslissing nodig is, splitst de groep zich in kleinere takken, elk die een ander pad volgt. Cruciaal is dat omdat de onderzoekers de toestand voor de groep al hebben berekend, ze deze niet voor elke afzonderlijke tak opnieuw hoeven te berekenen. Ze kunnen de gecachte toestand hergebruiken, wat een enorme hoeveelheid tijd bespaart. Zodra de simulatie het einde bereikt, kunnen ze duizenden metingsrecords genereren vanuit die enkele eindtoestand in één enkele batch, in plaats van het hele circuit duizenden keren te draaien. Dit is bijzonder krachtig voor het genereren van de grote, gelabelde datasets die nodig zijn om kunstmatige intelligentie-modellen te trainen om te fungeren als decoders voor kwantumfoutcorrectie.

Het team testte hun methode op diverse kwantumcircuits, waaronder die ontworpen om informatie op te slaan in topologische codes, wat een belangrijke kandidaat is voor het bouwen van fouttolerante kwantumcomputers. Toen ze hun nieuwe simulator vergeleken met de standaard, hoogwaardige tools die momenteel in gebruik zijn, waren de resultaten opmerkelijk. Voor circuits die betrokken zijn bij een specifiek type ruis genaamd amplitude damping, die nabootst hoe energie uit een kwantumsysteem lekt, was hun methode tot wel 24 keer sneller dan de conventionele aanpak. Voor complexere random circuits die metingen halverwege de berekening bevatten, was de versnelling nog dramatischer en bereikte zelfs 83 keer sneller. In een specifieke modus ontworpen voor het genereren van massale datasets, waarbij hetzelfde simulatiepad wordt gebruikt om veel verschillende metingsrecords te produceren, was hun methode bijna 70.000 keer sneller per traject dan de standaardmethode. Deze sprong in efficiëntie betekent dat onderzoekers nu de miljoenen datapunten kunnen genereren die nodig zijn om geavanceerde machine-learning decoders te trainen in een fractie van de tijd die het voorheen kostte.

Naast alleen snelheid toonden de onderzoekers aan dat hun methode nauwkeurigere resultaten produceert dan de gebruikelijke shortcuts in het vakgebied. Een veelgebruikte techniek genaamd Pauli twirling vereenvoudigt complexe ruis tot een vorm die gemakkelijker te simuleren is, maar het team toonde aan dat deze vereenvoudiging significante fouten introduceert. In hun tests op een kwantumgeheugensysteem overschatte hun vereenvoudigde model de snelheid waarmee fouten werden gedetecteerd met 21 procent. Belangrijker nog, toen ze de data van dit vereenvoudigde model gebruikten om een decoder te trainen, maakte het resulterende systeem 8 procent meer logische fouten dan een decoder die getraind was op de exacte, niet-vereenvoudigde data. Deze bevinding benadrukt een kritiek gebrek in het vertrouwen op benaderingen: hoewel ze snel kunnen zijn, kunnen ze leiden tot het ontwerp van foutcorrectiesystemen die minder effectief zijn dan ze zouden kunnen zijn. Door een manier te bieden om de exacte ruis te simuleren zonder snelheid op te offeren, zorgt de nieuwe methode ervoor dat de data die gebruikt wordt om toekomstige kwantumcomputers te bouwen, de realiteit weerspiegelt.

De implicaties van dit werk strekken zich uit tot de bredere inspanning om een praktische kwantumcomputer te bouwen. Naarmate deze machines groter en complexer worden, wordt het vermogen om ze accuraat te simuleren een knelpunt. De methode van de onderzoekers verwijdert dit knelpunt voor een breed scala aan realistische ruismodellen, inclusief die waarbij het systeem wordt gemeten terwijl het draait. Deze capaciteit opent de deur naar het bestuderen van complexe protocollen die vertrouwen op metingen halverwege de berekening, zoals die worden gebruikt om speciale kwantumtoestanden te creëren of om foutcorrectie in realtime uit te voeren. Het team heeft hun software beschikbaar gesteld als een extensie van een bestaand open-source platform, zodat andere wetenschappers deze versnellingen onmiddellijk op hun eigen onderzoek kunnen toepassen. Door exact, hoog-doorvoersimulatie praktisch te maken, biedt dit werk een essentieel instrument voor de ontwikkeling van fouttolerante kwantumcomputers, en helpt het ervoor te zorgen dat de volgende generatie van deze machines gebouwd zal worden op een fundament van accurate, realistische data.

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.

Probeer Digest →