Figur som sammanfattar strategin för att lindra neurala fel. Kredit:Bennewitz et al.
Kvantdatorer på kort sikt, kvantdatorer som utvecklas idag eller inom en snar framtid, kan hjälpa till att tackla vissa problem mer effektivt än klassiska datorer. En potentiell tillämpning för dessa datorer kan vara inom fysik, kemi och materialvetenskap, för att utföra kvantsimuleringar och bestämma grundtillstånden för kvantsystem.
Vissa kvantdatorer som utvecklats under de senaste åren har visat sig vara ganska effektiva för att köra kvantsimuleringar. Men kortsiktiga kvantberäkningsmetoder är fortfarande begränsade av befintliga hårdvarukomponenter och av de negativa effekterna av bakgrundsbrus.
Forskare vid 1QB Information Technologies (1QBit), University of Waterloo och Perimeter Institute for Theoretical Physics har nyligen utvecklat neural felreducering, en ny strategi som kan förbättra uppskattningar av grundtillstånd som uppnåtts med hjälp av kvantsimuleringar. Denna strategi, introducerad i en artikel publicerad i Nature Machine Intelligence , är baserad på maskininlärningsalgoritmer.
"Vi introducerar reduktion av neurala fel, som använder neurala nätverk för att förbättra uppskattningar av marktillstånd och observerbara marktillstånd som erhållits med hjälp av kortsiktiga kvantsimuleringar", skrev Elizabeth R. Bennewitz och hennes kollegor i sin artikel.
Neural error mitigation (NEM), den nya strategin som utarbetats av forskarna, har två nyckelkomponenter eller steg. Först använde teamet en teknik som kallas neural quantum state tomography (NQST) för att träna en så kallad NQS-ansalz för att representera ett ungefärligt grundtillstånd framställt av en bullrig kvantenhet.
NQST är en maskininlärningsmetod som kan rekonstruera komplext kvanttillstånd genom att analysera ett begränsat antal experimentellt insamlade mätningar. Därefter använde Bennewitz och hennes kollegor en variant av Monte Carlo (VMC) algoritm för att förbättra den befintliga representationen av det okända grundtillståndet. NQS ansalz som användes i deras experiment var en transformatorarkitektur, en generativ maskininlärningsmodell som ofta har använts för att generera naturliga språktexter och bearbeta bilder.
Slutligen testade forskarna prestandan för deras metod för att lindra neurala fel på ett verkligt forskningsproblem. Specifikt testade de dess förmåga att identifiera marktillståndsvågfunktionen och energin hos flera kroppsinteragerande fermioninc molekylära Hamiltonians, vilket är ett viktigt steg för att köra simuleringar av en molekyls elektronkorrelationer.
"För att visa vår metods breda tillämpbarhet använder vi neural felreducering för att hitta grundtillstånden för H2 och LiH molekylära Hamiltonians, såväl som gittermodellen Schwinger, framställd via den variationsmässiga kvantegenlösaren", skrev forskarna i sin uppsats. "Våra resultat visar att minskning av neurala fel förbättrar numeriska och experimentella variationskvantegenlösarberäkningar för att ge lågenergifel, hög trovärdighet och noggranna uppskattningar av mer komplexa observerbara objekt som ordningsparametrar och entanglement-entropi utan att kräva ytterligare kvantresurser."
I framtiden skulle neural felsimulering kunna användas för att minska brusrelaterade fel i kvantsimuleringar som utförs med hjälp av enheter på kort sikt. Detta kan få viktiga konsekvenser för många forskningsområden, inklusive kemi, fysik och materialvetenskap, eftersom det kan leda till mer exakta uppskattningar eller nya insiktsfulla upptäckter.
"Reducering av neurala fel är också agnostisk med avseende på kvanttillståndsförberedelsealgoritmen som används, kvanthårdvaran den är implementerad på och den speciella bruskanalen som påverkar experimentet, vilket bidrar till dess mångsidighet som ett verktyg för kvantsimulering", skrev forskarna i deras papper. + Utforska vidare
© 2022 Science X Network
