Billedtekst:Forskere har udviklet en teknik til at gøre kvantecomputere mere modstandsdygtige over for støj, hvilket øger ydeevnen. Kredit:Christine Daniloff, MIT
Kvantecomputere fortsætter med at udvikle sig i et hurtigt tempo, men en udfordring, der holder feltet tilbage, er at afbøde den støj, der plager kvantemaskiner. Dette fører til meget højere fejlprocenter sammenlignet med klassiske computere.
Denne støj er ofte forårsaget af ufuldkomne kontrolsignaler, interferens fra omgivelserne og uønskede interaktioner mellem qubits, som er byggestenene i en kvantecomputer. Udførelse af beregninger på en kvantecomputer involverer et "kvantekredsløb", som er en række operationer kaldet kvanteporte. Disse kvanteporte, som er afbildet til de individuelle qubits, ændrer kvantetilstandene for visse qubits, som derefter udfører beregningerne for at løse et problem.
Men kvanteporte introducerer støj, som kan hæmme en kvantemaskines ydeevne.
Forskere ved MIT og andre steder arbejder på at overvinde dette problem ved at udvikle en teknik, der gør selve kvantekredsløbet modstandsdygtigt over for støj. (Specifikt er disse "parameteriserede" kvantekredsløb, der indeholder justerbare kvanteporte.) Holdet skabte en ramme, der kan identificere det mest robuste kvantekredsløb til en bestemt computeropgave og generere et kortlægningsmønster, der er skræddersyet til qubits af et målrettet kvante enhed.
Deres ramme, kaldet QuantumNAS (noise adaptive search), er meget mindre beregningsintensiv end andre søgemetoder og kan identificere kvantekredsløb, der forbedrer nøjagtigheden af maskinlæring og kvantekemiopgaver. Da forskerne brugte deres teknik til at identificere kvantekredsløb for rigtige kvanteenheder, overgik deres kredsløb dem, der blev genereret ved hjælp af andre metoder.
"Nøgleideen her er, at uden denne teknik skal vi prøve hver enkelt kvantekredsløbsarkitektur og kortlægningsscenarie i designrummet, træne dem, evaluere dem, og hvis det ikke er godt, må vi smide det væk og starte forfra. Men ved at bruge denne metode kan vi opnå mange forskellige kredsløb og kortlægningsstrategier på én gang uden behov for mange ganges træning," siger Song Han, lektor ved Institut for Elektroteknik og Datalogi (EECS) og seniorforfatter til papiret.
Med Han på papiret er hovedforfatteren Hanrui Wang og Yujun Lin, begge EECS-kandidatstuderende; Yongshan Ding, en assisterende professor i datalogi ved Yale University; David Z. Pan, Silicon Laboratories Endowed Chair i Electrical Engineering ved University of Texas i Austin, og UT Austin-studerende Jiaqi Gu; Fred Chong, Seymour Goodman-professor i afdelingen for datalogi ved University of Chicago; og Zirui Li, en bachelorstuderende ved Shanghai Jiao Tong University. Forskningen vil blive præsenteret på IEEE International Symposium on High-Performance Computer Architecture.
Mange designvalg
Konstruktion af et parametriseret kvantekredsløb involverer at vælge et antal kvanteporte, som er fysiske operationer, som qubits vil udføre. Dette er ikke nogen nem opgave, da der er mange typer porte at vælge imellem. Et kredsløb kan også have et hvilket som helst antal porte, og positionerne af disse porte – hvilke fysiske qubits de er knyttet til – kan variere.
"Med så mange forskellige valgmuligheder er designrummet ekstremt stort. Udfordringen er, hvordan man designer en god kredsløbsarkitektur. Med QuantumNAS vil vi designe den arkitektur, så den kan være meget robust over for støj," siger Wang.
Forskerne fokuserede på variationelle kvantekredsløb, som bruger kvanteporte med parametre, der kan trænes, der kan lære en maskinlærings- eller kvantekemiopgave. For at designe et variationsmæssigt kvantekredsløb skal en forsker typisk enten hånddesigne kredsløbet eller bruge regelbaserede metoder til at designe kredsløbet til en bestemt opgave, og derefter forsøge at finde det ideelle sæt af parametre for hver kvanteport gennem en optimeringsproces .
I den naive søgemetode, hvor mulige kredsløb evalueres individuelt, skal parametrene for hvert kandidat kvantekredsløb trænes, hvilket resulterer i en massiv beregningsoverhead. Men forskeren skal også identificere det ideelle antal parametre og kredsløbsarkitekturen i første omgang.
I klassiske neurale netværk øger inklusiv flere parametre ofte modellens nøjagtighed. Men i variationsmæssig kvanteberegning kræver flere parametre flere kvanteporte, som introducerer mere støj.
Med QuantumNAS søger forskerne at reducere de samlede søge- og træningsomkostninger, mens de identificerer kvantekredsløbet, der indeholder det ideelle antal parametre og passende arkitektur for at maksimere nøjagtigheden og minimere støj.
Opbygning af et 'SuperCircuit'
For at gøre det designer de først et "SuperCircuit", som indeholder alle de mulige parametriserede kvanteporte i designrummet. Det SuperCircuit vil blive brugt til at generere mindre kvantekredsløb, der kan testes.
De træner SuperCircuit én gang, og fordi alle andre kandidatkredsløb i designrummet er delmængder af SuperCircuit, arver de tilsvarende parametre, som allerede er blevet trænet. Dette reducerer den beregningsmæssige overhead af processen.
Når SuperCircuit er blevet trænet, bruger de det til at søge efter kredsløbsarkitekturer, der opfylder et målrettet mål, i dette tilfælde høj robusthed over for støj. Processen involverer søgning efter kvantekredsløb og qubit-kortlægninger på samme tid ved hjælp af det, der er kendt som en evolutionær søgealgoritme.
Denne algoritme genererer nogle kvantekredsløb og qubit-kortlægningskandidater og evaluerer derefter deres nøjagtighed med en støjmodel eller på en rigtig maskine. Resultaterne føres tilbage til algoritmen, som udvælger de bedst ydende dele og bruger dem til at starte processen igen, indtil den finder de ideelle kandidater.
"Vi ved, at forskellige qubits har forskellige egenskaber og gate-fejlfrekvenser. Da vi kun bruger en delmængde af qubits, hvorfor bruger vi så ikke de mest pålidelige? Vi kan gøre dette gennem co-søgning af arkitekturen og qubits kortlægning," forklarer Wang.
Når forskerne er nået frem til det bedste kvantekredsløb, træner de dets parametre og udfører kvanteportbeskæring ved at fjerne eventuelle kvanteporte, der har værdier tæt på nul, da de ikke bidrager meget til den samlede ydeevne. Fjernelse af disse porte reducerer støjkilder og forbedrer ydeevnen yderligere på rigtige kvantemaskiner. Derefter finjusterer de de resterende parametre for at genskabe den nøjagtighed, der gik tabt.
Når dette trin er afsluttet, kan de implementere kvantekredsløbet til en rigtig maskine.
Da forskerne testede deres kredsløb på rigtige kvanteenheder, overgik de alle basislinjerne, inklusive kredsløb hånddesignet af mennesker og andre lavet ved hjælp af andre beregningsmetoder. I et eksperiment brugte de QuantumNAS til at producere et støj-robust kvantekredsløb, der blev brugt til at estimere grundtilstandsenergien for et bestemt molekyle, hvilket er et vigtigt skridt i kvantekemi og lægemiddelopdagelse. Deres metode lavede et mere nøjagtigt estimat end nogen af basislinjerne.
Nu hvor de har vist effektiviteten af QuantumNAS, ønsker de at bruge disse principper til at gøre parametrene i et kvantekredsløb robust over for støj. Forskerne ønsker også at forbedre skalerbarheden af et kvanteneuralt netværk ved at træne et kvantekredsløb på en rigtig kvantemaskine i stedet for en klassisk computer.
"Dette er et interessant arbejde, der søger efter støj-robuste ansatz og qubit-kortlægning af parametriske kvantekredsløb," siger Yiyu Shi, professor i datalogi og ingeniørvidenskab ved University of Notre Dame, som ikke var involveret i denne forskning. "Til forskel fra den naive søgemetode, der træner og evaluerer et stort antal kandidater individuelt, træner dette arbejde et SuperCircuit og bruger det til at evaluere mange kandidater, hvilket er meget mere effektivt."
"I dette arbejde afhjælper Hanrui og samarbejdspartnere udfordringen med at søge efter et effektivt parametriseret kvantekredsløb ved at træne ét SuperCircuit og bruge det til at evaluere mange kandidater, hvilket bliver meget effektivt, da det kræver én træningsprocedure. Når først SuperCircuit er trænet, kan det være bruges til at søge efter kredsløbsansatz og qubit mapping. Efter træning af SuperCircuit kan vi bruge det til at søge efter kredsløbsansatz og qubit mapping. Evalueringsprocessen udføres ved hjælp af støjmodeller eller ved at køre på den rigtige kvantemaskine," siger Sona Najafi , en forsker ved IBM Quantum, som ikke var involveret i dette arbejde. "Protokollen er blevet testet ved hjælp af IBMQ kvantemaskiner på VQE- og QNN-opgaver, hvilket viser mere nøjagtig jordtilstandsenergi og højere klassifikationsnøjagtighed."
For at tilskynde til mere arbejde på dette område oprettede forskerne et open source-bibliotek, kaldet TorchQuantum, der indeholder information om deres projekter, tutorials og værktøjer, som kan bruges af andre forskergrupper. + Udforsk yderligere