Forskare från University of Innsbruck har presenterat en ny metod för att förbereda kvantoperationer på en given kvantdator, med hjälp av en generativ modell för maskininlärning för att hitta rätt sekvens av kvantgrindar för att utföra en kvantoperation.
Studien, som nyligen publicerades i Nature Machine Intelligence, innebär ett betydande steg framåt när det gäller att förverkliga den fulla omfattningen av kvantberäkningar.
Generativa modeller som diffusionsmodeller är en av de viktigaste nyheterna inom maskininlärning (ML), där modeller som Stable Diffusion och DALL-E har revolutionerat området för bildgenerering. Dessa modeller kan producera högkvalitativa bilder baserat på textbeskrivningar.
”Vår nya modell för programmering av kvantdatorer gör samma sak, men istället för att generera bilder genererar den kvantkretsar baserat på textbeskrivningen av den kvantoperation som ska utföras”, förklarar Gorka Muñoz-Gil från institutionen för teoretisk fysik vid universitetet i Innsbruck, Österrike.
För att förbereda ett visst kvanttillstånd eller utföra en algoritm på en kvantdator måste man hitta en lämplig sekvens av kvantgrindar för att utföra sådana operationer. Medan detta är ganska enkelt i klassisk databehandling är det en stor utmaning i kvantdatabehandling, på grund av kvantvärldens särdrag.
På senare tid har många forskare föreslagit metoder för att bygga kvantkretsar, och många av dessa bygger på ML-metoder. Det är dock ofta mycket svårt att träna dessa ML-modeller eftersom man måste simulera kvantkretsar i takt med att maskinen lär sig. Diffusionsmodellerna undviker sådana problem tack vare det sätt på vilket de tränas.
”Detta är en enorm fördel”, förklarar Muñoz-Gil, som har utvecklat den nya metoden tillsammans med Hans J. Briegel och Florian Fürrutter. ”Dessutom visar vi att denoising diffusion models är exakta i sin generering och dessutom mycket flexibla, vilket gör det möjligt att generera kretsar med olika antal qubits, liksom typer och antal kvantgrindar.”
Modellerna kan också skräddarsys för att skapa kretsar som tar hänsyn till kvanthårdvarans konnektivitet, dvs. hur qubits är anslutna i kvantdatorn. Eftersom det är mycket billigt att producera nya kretsar när modellen väl har tränats upp kan man använda den för att få nya insikter om intressanta kvantoperationer”, säger Muñoz-Gil.
Metoden som utvecklats vid University of Innsbruck producerar kvantkretsar utifrån användarens specifikationer och skräddarsys efter funktionerna i den kvanthårdvara som kretsen ska köras på. Detta är ett betydande steg framåt för att frigöra den fulla omfattningen av kvantberäkningar.
Ytterligare information: Florian Fürrutter et al, Quantum circuit synthesis with diffusion models, Nature Machine Intelligence (2024). DOI: 10.1038/s42256-024-00831-9
