En neuralt netværksbaseret strategi til at forbedre kortsigtede kvantesimuleringer

Kortsigtede kvantecomputere, kvantecomputere udviklet i dag eller i den nærmeste fremtid, kunne hjælpe med at tackle nogle problemer mere effektivt end klassiske computere. En potentiel anvendelse for disse computere kunne være inden for fysik, kemi og materialevidenskab til at udføre kvantesimuleringer og bestemme grundtilstanden for kvantesystemer.

Nogle kvantecomputere, der er udviklet i løbet af de sidste par år, har vist sig at være ret effektive til at køre kvantesimuleringer. Men kortsigtede kvanteberegningsmetoder er stadig begrænset af eksisterende hardwarekomponenter og af de negative virkninger af baggrundsstøj.

Forskere ved 1QB Information Technologies (1QBit), University of Waterloo og Perimeter Institute for Theoretical Physics har for nylig udviklet reduktion af neurale fejl, en ny strategi, der kan forbedre grundtilstandsestimater opnået ved hjælp af kvantesimuleringer. Denne strategi, introduceret i et papir offentliggjort i Nature Machine Intelligence , er baseret på maskinlæringsalgoritmer.

"Vi introducerer reduktion af neurale fejl, som bruger neurale netværk til at forbedre estimater af grundtilstande og observerbare grundtilstande opnået ved brug af kortsigtede kvantesimuleringer," skrev Elizabeth R. Bennewitz og hendes kolleger i deres papir.

Neural fejlreduktion (NEM), den nye strategi, som forskerne har udtænkt, har to nøglekomponenter eller trin. For det første brugte holdet en teknik kendt som neural quantum state tomography (NQST) til at træne en såkaldt NQS ansalz til at repræsentere en omtrentlig grundtilstand udarbejdet af en støjende kvanteenhed.

NQST er en maskinlæringstilgang, der kan rekonstruere kompleks kvantetilstand ved at analysere et begrænset antal eksperimentelt indsamlede målinger. Efterfølgende brugte Bennewitz og hendes kolleger en variationel Monte Carlo (VMC) algoritme til at forbedre den eksisterende repræsentation af den ukendte grundtilstand. NQS ansalz, der blev brugt i deres eksperimenter, var en transformerarkitektur, en generativ maskinlæringsmodel, der ofte er blevet brugt til at generere naturlige sprogtekster og behandle billeder.

Endelig testede forskerne ydeevnen af ​​deres neurale fejlbekæmpelsesmetode på et reelt forskningsproblem. Specifikt testede de dens evne til at identificere grundtilstandsbølgefunktionen og energien af ​​mange-legeme-interagerende fermioninc molekylære Hamiltonians, hvilket er et væsentligt trin til at køre simuleringer af et molekyles elektronkorrelationer.

"For at demonstrere vores metodes brede anvendelighed anvender vi neurale fejlreduktion til at finde grundtilstandene for H₂ og LiH molekylære Hamiltonians, såvel som gitter-Schinger-modellen, der er udarbejdet via den variationelle kvanteegenopløser," skrev forskerne i deres papir. "Vores resultater viser, at afhjælpning af neurale fejl forbedrer numeriske og eksperimentelle variationelle kvanteegenopløserberegninger for at give lavenergifejl, høj troværdighed og nøjagtige estimeringer af mere komplekse observerbare objekter såsom ordensparametre og entanglement-entropi uden at kræve yderligere kvanteressourcer."

I fremtiden kan neural fejlsimulering bruges til at reducere støjrelaterede fejl i kvantesimuleringer udført ved brug af enheder på kort sigt. Dette kan have vigtige konsekvenser for mange forskningsområder, herunder kemi, fysik og materialevidenskab, da det kan føre til mere præcise estimater eller nye indsigtsfulde opdagelser.

"Reduktion af neurale fejl er også agnostisk med hensyn til den anvendte kvantetilstandsforberedelsesalgoritme, den kvantehardware den er implementeret på og den særlige støjkanal, der påvirker eksperimentet, hvilket bidrager til dets alsidighed som et værktøj til kvantesimulering," skrev forskerne i deres papir. + Udforsk yderligere

Entanglement låser op for skalering til kvantemaskinelæring

© 2022 Science X Network