← 最新论文
⚛️ 量子物理

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

本文介绍了一种带有批处理执行的广义预轨迹采样(PTSBE)方法,该方法能够在 GPU 上实现对带有中途测量和通用 Kraus 通道的噪声量子电路的快速、精确模拟,在实现高达 83 倍于传统方法加速的同时,揭示了 Pauli 扭转噪声近似中的显著误差。

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

发布于 2026-11-19
📖 1 分钟阅读🧠 深度阅读

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

原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

为了构建能够解决当今机器无法处理的问题的计算机,科学家们正转向量子物理学的奇异法则。这些量子计算机使用微小的粒子,如原子或电子,它们可以同时存在于多种状态中,从而允许它们以经典计算机无法实现的方式处理信息。然而,这些脆弱的系统极易受到环境的干扰,从而导致破坏计算的错误。为了解决这个问题,研究人员使用一种称为量子纠错的技术,该技术不断检查系统中的错误并在不破坏信息的情况下对其进行修复。这一过程需要进行数千次测量,以追踪机器内部发生的情况。为了设计这些系统并训练最终运行它们的软件,科学家需要模拟这些计算机在现实条件下的行为。挑战在于,模拟这些量子误差所带来的精确且混乱的现实情况是非常缓慢且计算成本极高的,而现有的较快方法通常依赖于简化模型,这会以微妙但重要的形式改变结果。

来自 NVIDIA、麻省理工学院(MIT)和牛津大学的研究团队开发了一种新方法来弥补这一差距,实现了对噪声量子线路的高速且精确的模拟。他们的工作专注于一种特定类型的模拟,即轨迹采样(trajectory sampling),该方法追踪量子系统随时间演化的路径。在过去,模拟器必须在速度和精度之间做出选择。最快的工具只能处理简化的噪声模型,实际上忽略了当量子计算机在计算过程中进行中途测量时发生的复杂现实交互。而更精确的工具虽然能处理这些复杂性,但速度太慢,以至于生成现代机器学习所需的庞大数据集变得不切口实际。研究人员创造了一种称为“带批处理执行的广义预轨迹采样”(generalized pre-trajectory sampling with batched execution)的技术。这种方法使他们能够模拟量子线路的精确行为,包括那些包含中途测量和通用类型噪声的线路,且速度达到了此前认为此类详细模型无法达到的水平。

其创新的核心在于如何处理量子力学固有的随机性。在一个量子系统中,测量的结果或噪声的影响并不是预先确定的,而是一个概率问题。传统的模拟器会运行单次模拟,为每个事件做一个随机选择,然后重新开始下一次运行。这意味着如果两次运行在一段时间内遵循相同的路径,计算机就会浪费时间对完全相同的步骤进行两次计算。新方法通过在模拟开始前预先决定某些随机结果来改变这一点。它识别出流程中哪些部分的概率是固定的且独立于系统的当前状态,并预先选择这些结果。对于那些依赖于状态的部分,它会等到模拟进行到该点时再做出决策。

这种策略允许研究人员将许多潜在的模拟运行组合在一起。如果一组运行共享相同的预选结果,它们就可以作为一个整体共同通过电路。只有当它们到达需要依赖状态的决策点时,这组运行才会分裂成更小的分支,每个分支遵循不同的路径。至关重要的是,由于研究人员已经计算了该组的状态,因此不需要为每个分支都重新计算一遍。他们可以重用缓存的状态,从而节省大量时间。一旦模拟到达终点,他们可以从这单个最终状态中一次性生成数千条测量记录,而不是将整个电路运行数千次。这对于生成用于训练人工智能模型以充当量子纠错解码器的海量标注数据集特别有效。

团队在各种量子电路上测试了他们的方法,包括那些旨在将信息存储在拓扑码(topological codes)中的电路,而拓扑码是构建容错量子计算机的主要候选方案。当他们将这种新方法与目前使用的标准高性能工具进行比较时,结果令人震惊。对于涉及特定类型噪声(称为振幅阻尼,模拟能量如何从量子系统中泄漏)的电路,他们的方法比传统方法快了高达 24 倍。对于包含中途测量的更复杂的随机电路,加速效果更加显著,达到了 83 倍。在一种专门用于生成大规模数据集的模式下(即使用相同的模拟路径来产生许多不同的测量记录),他们的方法在每条轨迹上的速度比标准方法快了近 70,000 倍。这种效率的飞跃意味着研究人员现在可以在以往所需的一小部分时间内,生成训练复杂的机器学习解码器所需的数百万个数据点。

除了速度之外,研究人员还证明了他们的方法比领域内常用的快捷方式能产生更准确的结果。一种广泛使用的技术叫做泡利旋进(Pauli twirling),它将复杂的噪声简化为更容易模拟的形式,但团队展示了这种简化会引入显著误差。在他们对量子存储系统的测试中,这种简化模型高估了 21% 的错误检测率。更重要的是,当他们使用来自这种简化模型的数据来训练解码器时,生成的系统比使用精确、未简化数据训练的解码器多产生了 8% 的逻辑错误。这一发现凸显了依赖近似值的关键缺陷:虽然它们很快,但可能导致设计的纠错系统不如预期有效。通过提供一种无需牺牲速度即可模拟精确噪声的方法,这种新方法确保了用于构建未来量子计算机的数据能够反映现实。

这项工作的意义延伸到了构建实用量子计算机的更广泛努力中。随着这些机器规模和复杂性的增长,准确模拟它们的能力成为了一个瓶颈。研究人员的方法为广泛的现实噪声模型(包括涉及运行中测量系统的模型)消除了这一瓶颈。这种能力为研究依赖于中途测量的复杂协议打开了大门,例如用于创建特殊量子态或执行实时纠错的协议。该团队已将他们的软件作为现有开源平台的扩展发布,以确保其他科学家能够立即将这些加速效果应用于自己的研究。通过使高吞吐量的精确模拟变得切实可行,这项工作为容错量子计算机的发展提供了至关重要的工具,有助于确保下一代机器建立在准确、现实的数据基础之上。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →