Maskinlæringsteknik, der bruges til at lokalisere kvantefejl

Forskere ved University of Sydney og opstarten af ​​kvantekontrol Q-CTRL annoncerede i dag en måde at identificere fejlkilder i kvantecomputere gennem maskinlæring, giver hardwareudviklere mulighed for at lokalisere ydeevneforringelse med hidtil uset nøjagtighed og accelerere veje til nyttige kvantecomputere.

En fælles videnskabelig artikel, der beskriver forskningen, med titlen "Quantum Oscillator Noise Spectroscopy via Displaced Cat States, " er blevet offentliggjort i Fysisk gennemgangsbreve , verdens førende tidsskrift for fysisk videnskabelig forskning og flagskibsudgivelse af American Physical Society (APS Physics).

Fokuseret på at reducere fejl forårsaget af "støj" i omgivelserne - kvantecomputerens akilleshæl - udviklede University of Sydney-teamet en teknik til at opdage de mindste afvigelser fra de præcise betingelser, der er nødvendige for at udføre kvantealgoritmer ved hjælp af fanget ion og superledende kvantecomputerhardware. Disse er kerneteknologierne, der bruges af verdens førende industrielle kvanteberegningsindsatser hos IBM, Google, Honeywell, IonQ, og andre.

For at lokalisere kilden til de målte afvigelser, Q-CTRL-forskere udviklede en ny måde at behandle måleresultaterne ved hjælp af tilpassede maskinlæringsalgoritmer. I kombination med Q-CTRL's eksisterende kvantestyringsteknikker, forskerne var også i stand til at minimere virkningen af ​​baggrundsinterferens i processen. Dette tillod let skelnen mellem "rigtige" støjkilder, der kunne fikseres, og fantomartefakter af selve målingerne.

"Kombinering af banebrydende eksperimentelle teknikker med maskinlæring har vist enorme fordele i udviklingen af ​​kvantecomputere, " sagde Dr. Cornelius Hempel fra ETH Zürich, som udførte forskningen, mens han var på University of Sydney. "Q-CTRL-teamet var i stand til hurtigt at udvikle en professionelt udviklet maskinlæringsløsning, der gjorde det muligt for os at forstå vores data og levere en ny måde at 'se' problemerne i hardwaren og løse dem."

Q-CTRL CEO og University of Sydney professor Michael J. Biercuk sagde:"Evnen til at identificere og undertrykke kilder til ydeevneforringelse i kvantehardware er afgørende for både grundforskning og industrielle bestræbelser på at bygge kvantesensorer og kvantecomputere.

"Kvantekontrol, forstærket af maskinlæring, har vist en vej til at gøre disse systemer praktisk nyttige og dramatisk accelerere F&U-tidslinjer, " han sagde.

"Det offentliggjorte resulterer i en prestigefyldt, peer-reviewed journal validerer fordelen ved igangværende samarbejde mellem grundlæggende videnskabelig forskning i et universitetslaboratorium og deep-tech startups. Vi er begejstrede for at skubbe feltet fremad gennem vores samarbejde."