Kan artificiell intelligens hjälpa till att övervinna ett av de största hindren för kvantberäkningar?
Ny forskning från Australiens nationella vetenskapsmyndighet har visat att AI kan hjälpa till att lösa fel i kvantdatorer. Detta är ett viktigt steg som en dag kan leda till att kvantdatorer löser komplexa problem i den verkliga världen.
CSIRO:s forskning, som publicerades som ett brev i tidskriften Physical Review Research, visade för första gången att AI kan hjälpa till att bearbeta och lösa kvantfel, så kallat qubit-brus, som genereras av kvantfysikens natur.
Att övervinna dessa fel anses allmänt vara det största hindret för att avancerade kvantdatorer ska kunna gå från experiment till verktyg.
I konventionella datorer lagras och bearbetas information i ”bitar”, som fungerar enligt principerna för binära tal. Varje bit kan representera antingen 0 eller 1. Men kvantdatorer är uppbyggda av kvantbitar, eller ”qubits”.
Dessa utnyttjar kvantmekanikens speciella egenskaper, vilket gör att de kan representera 0, 1 eller både 0 och 1 på samma gång. Detta förväntas frigöra enorm datorkraft och göra det möjligt att lösa problem som ligger utanför konventionella datorers räckvidd.
Men en qubits känsliga natur leder också till att kvantdatorer genererar ”brus”, eller fel, i sina utdata. För att övervinna detta används kvantfelkorrigeringskoder för att upptäcka och korrigera fel.
CSIRO implementerade en avkodare för AI-neurala nätverkssyndrom för att upptäcka fel och göra lämpliga korrigeringar. CSIRO:s Data61 Quantum Systems Team Leader Dr. Muhammad Usman säger att detta arbete effektivt kan bearbeta komplexa fel från verklig kvanthårdvara.
”Vårt arbete visar för första gången att en maskininlärningsbaserad avkodare i princip kan bearbeta felinformation som erhållits direkt från mätningar på IBM-enheter och föreslå lämpliga korrigeringar trots bruset mycket komplexa natur”, säger han.
”I vårt arbete observerar vi inte felundertryckning när felkorrigeringskodavståndet ökas, vilket teoretiskt sett är förväntat, på grund av de för närvarande stora brusnivåerna (över kodtröskeln) i IBM:s kvantprocessorer.”
Kvantfelkorrigeringskoder har utvecklats för att bekämpa det underliggande fysiska bruset hos kvantbitar genom att sprida logisk information över många fysiska kvantbitar.
Dessa koder tolkar felinformation genom att mäta stabilisatorer i ett gitter av qubits, en så kallad syndrommätning. En effektiv, snabb och skalbar implementering av ett beräkningsintensivt processteg för syndromet är avgörande för kvantfelkorrigeringskodernas övergripande prestanda.
För att förbättra denna korrigeringseffektivitet implementerade och tränade Dr. Usman en syndromavkodare i ett artificiellt neuralt nätverk.
Prestandan hos den neurala nätverksavkodaren jämfördes direkt på IBM:s kvantprocessorer, vilket visade att den effektivt kan bearbeta komplexa fel från verklig kvanthårdvara och göra lämpliga korrigeringar.
Forskningen tyder på att när de fysiska felfrekvenserna minskar inom de närmaste åren kan AI möjliggöra felundertryckning med ökande kodavstånd, och till och med uppnå full feltolerans när kodavståndet blir tillräckligt stort.
För mer information: Brhyeton Hall et al, Artificial neural network syndrome decoding on IBM quantum processors, Physical Review Research (2024). DOI: 10.1103/PhysRevResearch.6.L032004