Une stratégie basée sur un réseau neuronal pour améliorer les simulations quantiques

Les ordinateurs quantiques récents constituent une plateforme prometteuse pour trouver l’état fondamental des systèmes quantiques, une tâche fondamentale en physique, chimie et science des matériaux. Cependant, les méthodes récentes sont limitées par le bruit et les ressources matérielles quantiques récentes limitées.

Des chercheurs de l'Université de Waterloo au Canada ont introduit l'atténuation des erreurs neuronales, qui utilise des réseaux de neurones pour améliorer les estimations de l'état fondamental et des observables de l'état fondamental obtenues à l'aide de récentes simulations quantiques. Pour démontrer la large applicabilité de la méthode, les chercheurs ont utilisé l'atténuation des erreurs neuronales pour trouver les états fondamentaux des hamiltoniens moléculaires H2 et LiH préparés par un solveur propre quantique variationnel ainsi que le modèle de Schwinger en réseau.

Les résultats expérimentaux montrent que l'atténuation des erreurs neuronales améliore les calculs numériques et expérimentaux du solveur de signature quantique variationnelle pour produire des erreurs de faible énergie, une haute fidélité et une robustesse à des observables plus complexes (par exemple, les paramètres d'ordre et l'entropie d'intrication) une estimation précise sans nécessiter de données supplémentaires. ressources quantiques. De plus, l’atténuation des erreurs neuronales est indépendante de l’algorithme de préparation d’état quantique utilisé, du matériel quantique qui le met en œuvre et des canaux de bruit spécifiques affectant l’expérience, contribuant ainsi à sa polyvalence en tant qu’outil de simulation quantique.

La recherche s'intitule « Neural Error Mitigation of Near-Term Quantum Simulations » et a été publiée dans « Nature Machine Intelligence » le 20 juillet 2022.

Depuis le début du 20e siècle, les scientifiques développent des théories complètes décrivant le comportement des systèmes de mécanique quantique. Cependant, les coûts de calcul requis pour étudier ces systèmes dépassent souvent les capacités des méthodes et du matériel informatique scientifique actuels. Par conséquent, l’infaisabilité informatique reste un obstacle à l’application pratique de ces théories aux problèmes scientifiques et techniques.

La simulation de systèmes quantiques sur des ordinateurs quantiques (appelée ici simulation quantique) s'avère prometteuse pour surmonter ces obstacles et a été une force motrice fondamentale derrière le concept et la création d'ordinateurs quantiques. En particulier, les simulations quantiques des états fondamentaux et stationnaires des systèmes quantiques à N corps au-delà des capacités des ordinateurs classiques devraient avoir un impact significatif sur la physique nucléaire, la physique des particules, la gravité quantique, la physique de la matière condensée, la chimie quantique et la science des matériaux. . Les capacités des ordinateurs quantiques actuels et à court terme continuent d’être limitées par des limitations telles que le nombre de qubits et les effets du bruit. La technologie de correction des erreurs quantiques peut éliminer les erreurs causées par le bruit, ouvrant ainsi la voie à une informatique quantique tolérante aux pannes. En pratique, cependant, la mise en œuvre de la correction d’erreurs quantiques entraîne une surcharge importante en termes de nombre de qubits requis et de faibles taux d’erreur, qui dépassent tous deux les capacités des dispositifs actuels et à court terme.

En attendant que des simulations quantiques tolérantes aux pannes puissent être réalisées, les algorithmes variationnels modernes atténuent considérablement le besoin de matériel quantique et exploitent les capacités des dispositifs quantiques bruyants à moyenne échelle.

Un exemple frappant est le solveur propre quantique variationnel (VQE), un algorithme quantique classique hybride qui s'approche de manière itérative du minimum d'un hamiltonien cible grâce à l'optimisation variationnelle d'une série de valeurs propres énergétiques de circuits quantiques paramétrés. Parmi d’autres algorithmes variationnels, celui-ci est devenu une stratégie de premier plan pour obtenir un avantage quantique en utilisant des appareils récents et accélérer les progrès dans de multiples domaines scientifiques et technologiques.

La mise en œuvre expérimentale d'algorithmes quantiques variationnels reste un défi pour de nombreux problèmes scientifiques, car les dispositifs quantiques bruyants de moyenne échelle sont affectés par diverses sources de bruit et défauts. Actuellement, plusieurs méthodes d'atténuation des erreurs quantiques (QEM) pour atténuer ces problèmes ont été proposées et vérifiées expérimentalement, améliorant ainsi l'informatique quantique sans les ressources quantiques requises pour la correction des erreurs quantiques.

En règle générale, ces méthodes utilisent des informations spécifiques sur les canaux de bruit affectant le calcul quantique, la mise en œuvre matérielle ou l'algorithme quantique lui-même ; y compris des représentations implicites des modèles de bruit et la façon dont ils affectent les estimations des observables requis, préparées Connaissance spécifique du sous-espace d'état dans quels états quantiques devraient résider et la caractérisation et l'atténuation des sources de bruit sur divers composants de l'informatique quantique, telles que les erreurs de porte à un et deux qubits, ainsi que les erreurs de préparation et de mesure des états.

Les techniques d'apprentissage automatique ont récemment été réutilisées comme outils pour résoudre des problèmes complexes de physique quantique à N corps et de traitement de l'information quantique, offrant ainsi une approche alternative au QEM. Ici, des chercheurs de l'Université de Waterloo présentent une stratégie QEM appelée Neural Error Mitigation (NEM), qui utilise des réseaux neuronaux pour atténuer les erreurs dans la préparation approximative de l'état fondamental quantique de l'hamiltonien.

L'algorithme NEM se compose de deux étapes. Tout d’abord, les chercheurs ont effectué une tomographie de l’état quantique neuronal (NQS) (NQST) pour entraîner l’ansatz NQS à représenter les états fondamentaux approximatifs préparés par des dispositifs quantiques bruyants à l’aide de mesures accessibles expérimentalement. Inspirée de la tomographie d'état quantique (QST) traditionnelle, NQST est une méthode d'apprentissage automatique QST basée sur les données qui utilise un nombre limité de mesures pour reconstruire efficacement des états quantiques complexes.

Ensuite, un algorithme variationnel de Monte Carlo (VMC) est appliqué sur le même ansatz NQS (également connu sous le nom d'ansatz NEM) pour améliorer la représentation de l'état fondamental inconnu. Dans l'esprit de VQE, VMC se rapproche de l'état fondamental de l'hamiltonien sur la base de l'ansatz variationnel classique, dans l'exemple NQS ansatz.

Illustration : programme NEM. (Source : article)

Ici, les chercheurs ont utilisé un réseau neuronal génératif autorégressif comme ansatz NEM, plus spécifiquement, ils ont utilisé l'architecture Transformer et ont montré que le modèle fonctionnait bien en tant que NQS ; En raison de sa capacité à simuler des corrélations temporelles et spatiales à longue portée, cette architecture a été utilisée dans de nombreuses expériences de pointe dans les domaines du langage naturel et du traitement d'images, et a le potentiel de simuler des corrélations quantiques à longue portée. .

NEM présente plusieurs avantages par rapport aux autres techniques d'atténuation des erreurs. Premièrement, sa surcharge expérimentale est faible ; elle ne nécessite qu’un simple ensemble de mesures réalisables expérimentalement pour apprendre les propriétés des états quantiques bruités préparés par VQE. Par conséquent, la surcharge liée à l’atténuation des erreurs dans NEM est transférée des ressources quantiques (c’est-à-dire la réalisation d’expériences et de mesures quantiques supplémentaires) aux ressources informatiques classiques pour l’apprentissage automatique. En particulier, les chercheurs ont noté que le principal coût du NEM est la réalisation du VMC avant la convergence. Un autre avantage du NEM est qu’il est indépendant de l’algorithme de simulation quantique, du dispositif qui le met en œuvre et des canaux de bruit spécifiques qui affectent la simulation quantique. Par conséquent, il peut également être combiné avec d’autres techniques QEM et peut être appliqué pour simuler des circuits quantiques analogiques ou numériques.

Illustration : résultats expérimentaux et numériques NEM de l'hamiltonien moléculaire. (Source : article)

NEM résout également le problème de faible précision des mesures qui se pose lors de l'estimation des observables quantiques à l'aide d'appareils quantiques récents. Ceci est particulièrement important dans les simulations quantiques, où une estimation précise des observables quantiques est cruciale pour les applications pratiques. NEM résout essentiellement le problème de la faible précision des mesures à chaque étape de l’algorithme. Dans un premier temps, NQST améliore la variance des estimations observables au prix de l'introduction d'un petit biais d'estimation. Ce biais, ainsi que la variance résiduelle, peuvent être encore réduits en entraînant NEM ansatz avec VMC, ce qui conduit à des valeurs attendues de variance nulle des estimations d'énergie après avoir atteint l'état fondamental.

Illustration : Les propriétés du NEM appliquées à l'état fondamental du modèle de Schwinger sur réseau. (Source : article)

En combinant l'utilisation de circuits quantiques paramétriques comme le VQE d'ansatz, et l'utilisation de réseaux de neurones comme le NQST et le VMC d'ansatz, NEM combine deux familles d'états quantiques paramétriques et trois problèmes d'optimisation concernant leurs cas de pertes combinés. Les chercheurs se sont interrogés sur la nature des relations entre ces familles d’États, leurs pertes et avantages quantiques. L’examen de ces relations offre une nouvelle façon d’étudier le potentiel des algorithmes quantiques bruyants à moyenne échelle dans la recherche d’un avantage quantique. Cela peut faciliter une meilleure démarcation entre les simulations de systèmes quantiques classiquement traitables et les simulations nécessitant des ressources quantiques.

Lien papier : ​https://www.nature.com/articles/s42256-022-00509-0​

Rapports associés : ​https://techxplore.com/news/ 2022-08-stratégie-basée sur les réseaux neuronaux-near-term-quantum.html​

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!