Co-Design of a Quantum Circuit using QGHNN for High Separate Fidelity and Maximum Grover Algorithm Accuracy
Dit artikel presenteert een hybride physics–machine learning-framework dat gebruikmaakt van een Quantum Graph Hamiltonian Neural Network (QGHNN) voor het co-ontwerpen van supergeleidende kwantumcircuits, waarbij een readout-scheidingsgetrouwheid van meer dan 99,4% en een nauwkeurigheid van ongeveer 86% voor het Grover-algoritme wordt bereikt, vergelijkbaar met de IBM Q5 Tenerife-processor.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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 er voor gewone machines duizenden jaren over zouden doen, maar het bouwen ervan is als het proberen te balanceren van een kaartenhuis in een orkaan. Deze machines vertrouwen op delicate eenheden informatie die qubits worden genoemd, die zich tegelijkertijd in meerdere toestanden kunnen bevinden, waardoor ze vele mogelijkheden tegelijkertijd kunnen verkennen. Deze delicate staat wordt echter gemakkelijk verstoord door ruis, hitte of zelfs de handeling van het er te nauw naar kijken. Om een quantumcomputer bruikbaar te maken, moeten ingenieurs circuits ontwerpen die deze qubits lang genoeg stabiel houden om berekeningen uit te voeren, terwijl ze ook in staat zijn om de resultaten duidelijk af te lezen voordat de informatie vervaagt. De uitdaging is dat de instellingen die een qubit makkelijk leesbaar maken, het vaak moeilijker maken om complexe wiskunde uit te voeren, en de instellingen die helpen bij het goed rekenen, het uiteindelijke antwoord wazig kunnen maken. Het vinden van de juiste balans vereist het navigeren door een landschap waar het verbeteren van één deel van het systeem vaak een ander deel schaadt.
In een nieuwe studie hebben onderzoekers van het Iraanse Quantum Technologies Research Center en samenwerkende instellingen een methode ontwikkeld om deze evenwichtsoefening op te lossen voor een specifiek type quantumcomputer dat gebouwd is van supergeleidende circuits. Ze creëerden een hybride raamwerk dat de wetten van de natuurkunde combineert met een gespecialiseerd type kunstmatige intelligentie om een twee-qubit systeem te ontwerpen dat beter werkt dan eerdere pogingen. In plaats van het hardwareontwerp en de algoritmeprestaties als aparte problemen te behandelen, gebruikte het team een neuraal netwerk — een computerprogramma ontworpen om te leren van data — om het perfecte werkpunt te vinden waar zowel de meetnauwkeurigheid als de succesratio van de berekening worden gemaximaliseerd. Hun werk laat zien dat door dit systeem te trainen op de onderliggende natuurkunde van het apparaat, ze een 'sweet spot' kunnen identificeren waar de machine zijn eigen staat met hoge precisie leest terwijl het ook een beroemd zoekalgoritme met opmerkelijke successen uitvoert.
De onderzoekers concentreerden zich op een opstelling waarbij twee supergeleidende qubits verbonden zijn via een gedeelde resonator, een component die fungeert als een brug voor hun interacties. In deze omgeving zijn de qubits onderhevig aan constante ruis en energieverlies, wat wordt gemodelleerd met vergelijkingen die beschrijven hoe open systemen in de loop van de tijd evolueren. Het team moest verschillende fysieke variabelen afstemmen, zoals de frequentie van de qubits en de sterkte van hun verbinding met de brug, om twee doelen tegelijk te bereiken: het maken van de uitlezing van de qubit-toestand zo helder mogelijk en het waarborgen dat het Grover-zoekalgoritme, een methode voor het vinden van een specifiek item in een grote lijst, correct werkt. De moeilijkheid ligt in het feit dat deze twee doelen vaak in tegengestelde richtingen trekken; het duwen van het systeem naar meer nauwkeurigheid in de berekeningen kan het uitleessignaal waziger maken, en vice versa.
Om dit conflict te navigeren, maakte het team gebruik van een hulpmiddel genaamd een Quantum Graph Hamiltonian Neural Network. In tegen tegenstelling tot standaard computerprogramma's die data als een 'black box' behandelen, is dit netwerk gebouwd om de structuur van het fysieke systeem te begrijpen, waarbij de qubits en hun verbindingen worden behandeld als een kaart van interagerende onderdelen. De onderzoekers genereerden een grote dataset door het gedrag van het kwantumsysteem te simuleren onder duizenden verschillende fysieke condities, waarbij ze vastlegden hoe elke verandering zowel de kwaliteit van de uitlezing als het succes van het algoritme beïnvloedde. Vervolgens trainden ze het neurale netwerk om de complexe, niet-lineaire relatie tussen de fysieke instellingen en de uiteindelijke resultaten te leren. Zodra het netwerk deze kaart had geleerd, kon het de uitkomst van elke nieuwe instelling onmiddellijk voorspellen, zonder telkens de trage, zware simulaties te hoeven draaien. Dit stelde het team in staat om een wiskundige zoekmethode te gebruiken om de heuvel van mogelijkheden te beklimmen en de top te vinden waar beide prestatiecijfers hoog waren.
De resultaten van deze co-design aanpak waren opmerkelijk. Vóór de optimalisatie vertoonde het systeem een duidelijke scheiding tussen de verschillende toestanden van de qubit, maar er was nog steeds enige overlap die tot fouten kon leiden. Na de afstemming door het neurale netwerk werd de scheiding scherper, waardoor de meetgetrouwheid (fidelity) boven de 99,4 procent uitkwam. Hoewel dit als een kleine numerieke sprong kan lijken, vertegenwoordigt zo'n fractie van een procent in de wereld van quantumcomputing een enorme reductie in de kans op een fout antwoord. Belangrijker nog is dat de algoritmische prestaties een enorme sprong maakten. De succeswaarschijnlijkheid van het Grover-zoekalgoritme, die beperkt werd door de initiële hardware-instellingen, steeg naar ongeveer 86 procent. Dit niveau van nauwkeurigheid is vergelijkbaar met wat momenteel wordt bereikt door gevestigde commerciële quantumprocessors, wat suggereert dat het nieuwe ontwerp levensvatbaar is voor real-world toepassingen.
De studie onthulde ook een fundamentele afruil waar ingenieurs rekening mee moeten houden. Wanneer de onderzoekers het systeem uitsluitend optimaliseerden voor het zoekalgoritme, ontdekten ze dat de sterke interacties die nodig zijn voor snelle berekeningen de delicate kwantumverbindingen die nodig zijn voor verstrengeling (entanglement) — een hulpbron waarbij qubits op een manier aan elkaar gekoppeld raken die de klassieke fysica tart — deels onderdrukten. Het neurale netwerk vond succesvol een middenweg, waarbij voldoende van deze kwantumverbindingen behouden bleven terwijl er nog steeds een hoge algoritmische prestatie werd geleverd. Om te bewijzen dat hun bevindingen niet slechts theoretisch waren, namen het team de geoptimaliseerde parameters en gebruikten deze om een fysiek circuitontwerp te maken in professionele engineeringsoftware. Vervolgens voerden ze elektromagnetische simulaties uit op dit ontwerp, waarmee werd bevestigd dat de cijfers geproduceerd door de kunstmatige intelligentie direct vertaalbaar waren naar een bouwbare, functionele hardwareconfiguratie.
Dit werk benadrukt een verschuiving in de manier waarop quantumcomputers worden gebouwd. In plaats van eerst de hardware te ontwerpen en dan te proberen de software ermee te laten werken, of de software te optimaliseren en te hopen dat de hardware het kan bijhouden, ontwerpt deze aanpak beide samen. Door een machine learning-model te gebruiken dat de wetten van de natuurkunde respecteert, lieten de onderzoekers zien dat het mogelijk is om werkpunten te vinden die meerdere, concurrerende eisen tegelijkertijd voldoen. De studie bevestigt dat zelfs in een luidruchtige, imperfecte wereld, zorgvuldige co-design hoge prestaties kan extraheren uit kwantumcircuits, wat de weg vrijmaakt voor betrouwbaardere en krachtigere machines in de toekomst. Het vermogen om deze geoptimaliseerde instellingen direct te vertalen naar fysieke dimensies, zoals de lengte van draden of de grootte van condensatoren, betekent dat de weg van een computersimulatie naar een werkende chip korter en directer wordt.
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.