(Phys.org) —Fysiker har tillämpat förmågan hos maskininlärningsalgoritmer att lära av erfarenhet till en av de största utmaningarna som kvantberäkning för närvarande står inför:kvantfelkorrigering, som används för att utforma bullertoleranta kvantdataprotokoll. I en ny studie, de har visat att en typ av neuralt nätverk som kallas en Boltzmann -maskin kan utbildas för att modellera felen i ett kvantberäkningsprotokoll och sedan utforma och implementera den bästa metoden för att korrigera felen.

Fysikerna, Giacomo Torlai och Roger G. Melko vid University of Waterloo och Perimeter Institute for Theoretical Physics, har publicerat ett papper om den nya maskininlärningsalgoritmen i ett nyligen utgåva av Fysiska granskningsbrev .

"Tanken bakom neural avkodning är att kringgå processen med att konstruera en avkodningsalgoritm för en specifik kodrealisering (med tanke på några approximationer på bruset), och låt ett neuralt nätverk lära sig hur man utför återställningen direkt från rådata, erhålls genom enkla mätningar på koden, ”Berättade Torlai Phys.org . "Med de senaste framstegen inom kvantteknik och en våg av kvantanordningar som blir tillgängliga på kort sikt, neurala avkodare kommer att kunna rymma de olika arkitekturerna, liksom olika bullerkällor. "

Som forskarna förklarar, en Boltzmann -maskin är en av de enklaste typerna av stokastiska artificiella neurala nätverk, och den kan användas för att analysera en mängd olika data. Neurala nätverk extraherar vanligtvis funktioner och mönster från rådata, som i detta fall är en datauppsättning som innehåller möjliga fel som kan drabba kvanttillstånd.

När den nya algoritmen, som fysikerna kallar en neural dekoder, är utbildad i dessa data, den kan konstruera en exakt modell för sannolikhetsfördelningen av felen. Med denna information, den neurala avkodaren kan generera lämpliga felkedjor som sedan kan användas för att återställa de korrekta kvanttillstånden.

Forskarna testade den neurala avkodaren på kvanttopologiska koder som vanligtvis används vid kvantberäkning, och visat att algoritmen är relativt enkel att implementera. En annan fördel med den nya algoritmen är att den inte beror på den specifika geometrin, strukturera, eller dimension av data, vilket gör att den kan generaliseras till en mängd olika problem.

I framtiden, fysikerna planerar att utforska olika sätt att förbättra algoritmens prestanda, till exempel genom att stapla flera Boltzmann -maskiner ovanpå varandra för att bygga ett nätverk med en djupare struktur. Forskarna planerar också att tillämpa den neurala avkodaren på mer komplexa, realistiska koder.

"Än så länge, neurala avkodare har testats på enkla koder som vanligtvis används för riktmärken, "Torlai sa." En första riktning skulle vara att utföra felkorrigering på koder för vilka en effektiv avkodare ännu inte hittats, till exempel lågdensitetskontrollkoder. På lång sikt tror jag att neural avkodning kommer att spela en viktig roll när man hanterar större kvantsystem (hundratals qubits). Möjligheten att komprimera högdimensionella objekt till lågdimensionella representationer, som härrör från framgången med maskininlärning, kommer att göra det möjligt att troget fånga den komplexa fördelningen av de fel som uppstår i systemet med mätresultaten. "

© 2017 Phys.org