Machine learning tackler kvantefejlkorrektion

(Phys.org) - Fysikere har anvendt evnen til maskinlæringsalgoritmer til at lære af erfaring til en af ​​de største udfordringer, der i øjeblikket står overfor kvantecomputing:kvantefejlkorrektion, som bruges til at designe støjtolerante kvanteberegningsprotokoller. I en ny undersøgelse, de har demonstreret, at en type neuralt netværk kaldet en Boltzmann -maskine kan trænes til at modellere fejlene i en quantum computing -protokol og derefter udtænke og implementere den bedste metode til at rette fejlene.

Fysikerne, Giacomo Torlai og Roger G. Melko ved University of Waterloo og Perimeter Institute for Theoretical Physics, har udgivet et papir om den nye algoritme til maskinlæring i et nyligt nummer af Fysisk gennemgangsbreve .

"Ideen bag neural afkodning er at omgå processen med at konstruere en afkodningsalgoritme til en bestemt koderealisering (givet nogle tilnærmelser til støj), og lad et neuralt netværk lære at udføre gendannelsen direkte fra rådata, opnået ved simple målinger på koden, ”Fortalte Torlai Phys.org . "Med de seneste fremskridt inden for kvanteteknologier og en bølge af kvanteenheder, der bliver tilgængelige på kort sigt, neurale dekodere vil kunne rumme de forskellige arkitekturer, samt forskellige støjkilder. "

Som forskerne forklarer, en Boltzmann -maskine er en af ​​de enkleste former for stokastiske kunstige neurale netværk, og det kan bruges til at analysere en lang række data. Neurale netværk udtrækker typisk funktioner og mønstre fra rådata, som i dette tilfælde er et datasæt, der indeholder de mulige fejl, der kan påvirke kvantetilstande.

Når den nye algoritme, som fysikerne kalder en neurale dekoder, er uddannet i disse data, den er i stand til at konstruere en nøjagtig model af sandsynlighedsfordelingen af ​​fejlene. Med disse oplysninger, den neurale dekoder kan generere de passende fejlkæder, der derefter kan bruges til at gendanne de korrekte kvantetilstande.

Forskerne testede den neurale dekoder på kvantetopologiske koder, der almindeligvis bruges i kvanteberegning, og demonstreret, at algoritmen er relativt enkel at implementere. En anden fordel ved den nye algoritme er, at den ikke afhænger af den specifikke geometri, struktur, eller dimension af dataene, hvilket gør det muligt at generalisere det til en lang række problemer.

I fremtiden, fysikerne planlægger at undersøge forskellige måder at forbedre algoritmens ydeevne på, såsom ved at stable flere Boltzmann -maskiner oven på hinanden for at bygge et netværk med en dybere struktur. Forskerne planlægger også at anvende den neurale dekoder til mere komplekse, realistiske koder.

"Indtil nu, neurale dekodere er blevet testet på simple koder, der typisk bruges til benchmarks, "Torlai sagde." En første retning ville være at udføre fejlkorrektion på koder, for hvilke der endnu ikke er fundet en effektiv dekoder, f.eks. lavdensitetskontrolkoder. På lang sigt tror jeg, at neural afkodning vil spille en vigtig rolle, når man skal håndtere større kvantesystemer (hundredvis af qubits). Evnen til at komprimere højdimensionelle objekter til lavdimensionelle repræsentationer, hvorfra stammer succesen med maskinlæring, vil give mulighed for trofast at indfange den komplekse fordeling i forbindelse med de fejl, der opstår i systemet med måleresultaterne. "

© 2017 Phys.org