Strategi berasaskan rangkaian saraf untuk meningkatkan simulasi kuantum

Komputer kuantum terbaharu menyediakan platform yang menjanjikan untuk mencari keadaan asas sistem kuantum, tugas asas dalam fizik, kimia dan sains bahan. Walau bagaimanapun, kaedah terkini dihadkan oleh hingar dan sumber perkakasan kuantum terkini yang terhad.

Penyelidik di University of Waterloo di Kanada telah memperkenalkan pengurangan ralat saraf, yang menggunakan rangkaian saraf untuk meningkatkan anggaran keadaan tanah dan keadaan tanah yang boleh diperhatikan yang diperoleh menggunakan simulasi kuantum terkini . Untuk menunjukkan kebolehgunaan luas kaedah, penyelidik menggunakan pengurangan ralat saraf untuk mencari H dan molekul LiH Hamiltonian dan keadaan dasar model Schwinger kekisi. Hasil eksperimen menunjukkan bahawa pengurangan ralat saraf meningkatkan pengiraan penyelesai ciri kuantum variasi berangka dan eksperimen untuk menghasilkan ralat tenaga yang rendah, kesetiaan tinggi dan keteguhan kepada penyelesaian yang lebih kompleks Anggaran tepat yang diperhatikan kuantiti seperti parameter pesanan dan entropi belitan tanpa memerlukan sumber kuantum tambahan. Tambahan pula, pengurangan ralat saraf adalah bebas daripada algoritma penyediaan keadaan kuantum yang digunakan, perkakasan kuantum yang melaksanakannya, dan saluran hingar khusus yang mempengaruhi eksperimen, menyumbang kepada serba bolehnya sebagai alat simulasi kuantum. Penyelidikan yang bertajuk "

Mitigasi Ralat Neural Simulasi Kuantum Jangka Dekat

", telah diterbitkan dalam "Nature Machine" pada 20 Julai 2022 Perisikan 》.

Sejak awal abad ke-20, saintis telah membangunkan teori komprehensif yang menerangkan tingkah laku sistem mekanikal kuantum. Walau bagaimanapun, kos pengiraan yang diperlukan untuk mengkaji sistem ini selalunya melebihi keupayaan kaedah dan perkakasan pengkomputeran saintifik semasa. Oleh itu, ketidakbolehlaksanaan pengiraan kekal sebagai penghalang kepada aplikasi praktikal teori-teori ini kepada masalah saintifik dan teknikal.

Simulasi sistem kuantum pada komputer kuantum (dirujuk di sini sebagai simulasi kuantum) menunjukkan janji dalam mengatasi halangan ini dan telah menjadi daya penggerak asas di sebalik konsep dan penciptaan komputer kuantum. Khususnya, simulasi kuantum tanah dan keadaan mantap sistem banyak badan kuantum di luar keupayaan komputer klasik dijangka memberi kesan yang ketara pada fizik nuklear, fizik zarah, graviti kuantum, fizik jirim pekat, kimia kuantum dan sains bahan. . Keupayaan komputer kuantum semasa dan jangka pendek terus dihadkan oleh batasan seperti bilangan qubit dan kesan bunyi. Teknologi pembetulan ralat kuantum boleh menghapuskan ralat yang disebabkan oleh hingar, menyediakan cara untuk pengkomputeran kuantum toleran kesalahan. Walau bagaimanapun, dalam amalan, melaksanakan pembetulan ralat kuantum memerlukan overhed yang ketara dari segi bilangan qubit yang diperlukan dan kadar ralat yang rendah, yang kedua-duanya berada di luar keupayaan peranti semasa dan jangka terdekat.

Sehingga simulasi kuantum toleran kesalahan dapat dicapai, algoritma variasi moden sangat mengurangkan keperluan untuk perkakasan kuantum dan mengeksploitasi keupayaan peranti kuantum berskala sederhana yang bising.

Contoh yang ketara ialah variational quantum eigensolver (VQE), algoritma kuantum klasik hibrid yang berulang melalui satu siri pengoptimuman variasi litar kuantum berparameter Pendekatan tanah kepada nilai eigen tenaga terendah bagi sasaran Hamiltonian. Antara algoritma variasi lain, ini telah menjadi strategi utama untuk mencapai kelebihan kuantum menggunakan peranti terkini dan mempercepatkan kemajuan dalam pelbagai bidang sains dan teknologi.

Pelaksanaan eksperimen algoritma kuantum variasi kekal sebagai cabaran bagi banyak masalah saintifik kerana peranti kuantum skala pertengahan yang bising dipengaruhi oleh pelbagai sumber hingar dan kecacatan. Pada masa ini, beberapa kaedah pengurangan ralat kuantum (QEM) untuk mengurangkan isu ini telah dicadangkan dan disahkan secara eksperimen, dengan itu menambah baik pengkomputeran kuantum tanpa sumber kuantum yang diperlukan untuk pembetulan ralat kuantum.

Lazimnya, kaedah ini menggunakan maklumat khusus tentang saluran hingar yang mempengaruhi pengiraan kuantum, pelaksanaan perkakasan atau algoritma kuantum itu sendiri termasuk perwakilan tersirat model hingar dan cara ia mempengaruhi Anggaran yang dikehendaki; kuantiti yang diperhatikan, pengetahuan khusus tentang subruang keadaan di mana keadaan kuantum yang disediakan harus berada, dan pencirian dan pengurangan sumber hingar pada pelbagai komponen pengkomputeran kuantum, seperti ralat get qubit dan dua qubit, serta penyediaan dan pengukuran keadaan ralat.

Teknik pembelajaran mesin baru-baru ini telah digunakan semula sebagai alat untuk menyelesaikan masalah kompleks dalam fizik kuantum banyak badan dan pemprosesan maklumat kuantum, menyediakan pendekatan alternatif kepada QEM. Di sini, penyelidik di Universiti Waterloo memperkenalkan strategi QEM yang dipanggil Neural Error Mitigation (NEM), yang menggunakan rangkaian saraf untuk mengurangkan ralat dalam penyediaan anggaran keadaan tanah kuantum Hamiltonian.

Algoritma NEM terdiri daripada dua langkah. Pertama, penyelidik melakukan tomografi keadaan kuantum saraf (NQST) untuk melatih NQS ansatz untuk mewakili anggaran keadaan tanah yang disediakan oleh peranti kuantum yang bising menggunakan pengukuran yang boleh diakses secara eksperimen. Diilhamkan oleh tomografi keadaan kuantum tradisional (QST), NQST ialah kaedah pembelajaran mesin QST dipacu data yang menggunakan bilangan pengukuran yang terhad untuk membina semula keadaan kuantum kompleks dengan cekap.

Kemudian, algoritma Monte Carlo (VMC) variasi digunakan pada NQS ansatz yang sama (juga dikenali sebagai NEM ansatz) untuk menambah baik perwakilan keadaan tanah yang tidak diketahui. Dalam semangat VQE, VMC menghampiri keadaan dasar Hamiltonian berdasarkan ansatz variasi klasik, dalam contoh NQS ansatz.

Ilustrasi: program NEM. (Sumber: kertas)

Di sini, penyelidik menggunakan rangkaian neural generatif autoregresif sebagai NEM ansatz secara lebih khusus, mereka menggunakan seni bina Transformer dan menunjukkan bahawa model Berprestasi dengan baik; sebuah NQS. Disebabkan keupayaannya untuk mensimulasikan korelasi temporal dan spatial jarak jauh, seni bina ini telah digunakan dalam banyak eksperimen terkini dalam bidang bahasa semula jadi dan pemprosesan imej, dan mempunyai potensi untuk mensimulasikan korelasi kuantum jarak jauh. .

NEM mempunyai beberapa kelebihan berbanding teknik pengurangan ralat yang lain. Pertama, overhed percubaannya adalah rendah; ia hanya memerlukan satu set pengukuran yang boleh dilaksanakan secara eksperimen untuk mempelajari sifat keadaan kuantum bising yang disediakan oleh VQE. Oleh itu, overhed pengurangan ralat dalam NEM dialihkan daripada sumber kuantum (iaitu, melakukan eksperimen dan pengukuran kuantum tambahan) kepada sumber pengkomputeran klasik untuk pembelajaran mesin. Khususnya, para penyelidik menyatakan bahawa kos utama NEM adalah melaksanakan VMC sebelum penumpuan. Satu lagi kelebihan NEM ialah ia bebas daripada algoritma simulasi kuantum, peranti yang melaksanakannya, dan saluran hingar khusus yang mempengaruhi simulasi kuantum. Oleh itu, ia juga boleh digabungkan dengan teknik QEM lain dan boleh digunakan untuk mensimulasikan litar kuantum analog atau digital kuantum.

Ilustrasi: keputusan NEM eksperimen dan berangka bagi molekul Hamiltonian. (Sumber: kertas)

NEM juga menyelesaikan masalah ketepatan pengukuran rendah yang timbul apabila menganggarkan pemerhatian kuantum menggunakan peranti kuantum terkini. Ini amat penting dalam simulasi kuantum, di mana anggaran tepat kuantum boleh diperhatikan adalah penting untuk aplikasi praktikal. NEM pada asasnya menyelesaikan masalah ketepatan pengukuran yang rendah pada setiap langkah algoritma. Dalam langkah pertama, NQST menambah baik varians anggaran yang boleh diperhatikan pada kos memperkenalkan bias anggaran kecil. Bias ini, serta varians sisa, boleh dikurangkan lagi dengan melatih NEM ansatz dengan VMC, yang membawa kepada jangkaan sifar varians anggaran tenaga selepas mencapai keadaan asas.

Ilustrasi: Sifat NEM digunakan pada keadaan dasar model Schwinger kekisi. (Sumber: kertas)

Dengan menggabungkan penggunaan litar kuantum parametrik sebagai VQE ansatz, dan penggunaan rangkaian neural sebagai NQST dan VMC ansatz, NEM menggabungkan dua keluarga keadaan kuantum parametrik dan tiga masalah pengoptimuman mengenai kerugiannya. Para penyelidik menimbulkan persoalan tentang sifat hubungan antara keluarga negeri ini, kerugian mereka dan kelebihan kuantum. Memeriksa perhubungan ini menyediakan cara baharu untuk mengkaji potensi algoritma kuantum skala sederhana yang bising dalam mengejar kelebihan kuantum. Ini boleh memudahkan persempadanan yang lebih baik antara simulasi sistem kuantum yang boleh dikesan secara klasik dan simulasi yang memerlukan sumber kuantum.

Pautan kertas:​https://www.nature.com/articles/s42256-022-00509-0​

Laporan berkaitan:​https://techxplore.com/news/2022-08-neural-networkbased-strategy-near-term-quantum.html​

Atas ialah kandungan terperinci Strategi berasaskan rangkaian saraf untuk meningkatkan simulasi kuantum. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!