Kvantdatorer kan lösa komplexa uppgifter som ligger utanför konventionella dators möjligheter. Dock, kvanttillstånden är extremt känsliga för konstant störning från sin omgivning. Planen är att bekämpa detta med aktivt skydd baserat på kvantfelkorrigering. Florian Marquardt, Direktör vid Max Planck Institute for the Science of Light, och hans team har nu presenterat ett kvantfelskorrigeringssystem som är kapabelt att lära sig tack vare artificiell intelligens.

2016, datorprogrammet AlphaGo vann fyra av fem Go -matcher mot världens bästa mänskliga spelare. Med tanke på att ett spel Go har fler kombinationer av drag än det uppskattas finnas atomer i universum, detta krävde mer än bara ren processorkraft. Snarare, AlphaGo använde konstgjorda neurala nätverk, som kan känna igen visuella mönster och till och med kan lära sig. Till skillnad från en människa, programmet kunde träna hundratusentals spel på kort tid, så småningom överträffar den bästa mänskliga spelaren. Nu, de Erlangen-baserade forskarna använder neurala nätverk av detta slag för att utveckla felkorrigeringsinlärning för en kvantdator.

Artificiella neurala nätverk är datorprogram som efterliknar beteendet hos sammankopplade nervceller (neuroner) - när det gäller forskningen i Erlangen, cirka två tusen artificiella neuroner är förbundna med varandra. "Vi tar de senaste idéerna från datavetenskap och tillämpar dem på fysiska system, "förklarar Florian Marquardt." Genom att göra det, vi drar nytta av snabba framsteg inom området artificiell intelligens."

Artificiella neurala nätverk kan överträffa andra felkorrigeringsstrategier

Det första tillämpningsområdet är kvantdatorer, som framgår av den senaste tidningen, som inkluderar ett betydande bidrag från Thomas Fösel, doktorand vid Max Planck -institutet i Erlangen. I tidningen, teamet visar att artificiella neurala nätverk med en AlphaGo-inspirerad arkitektur är kapabla att lära sig – själva – hur man utför en uppgift som kommer att vara avgörande för driften av framtida kvantdatorer:kvantfelskorrigering. Det finns till och med utsikterna att, med tillräcklig utbildning, detta tillvägagångssätt kommer att överträffa andra felkorrigeringsstrategier.

För att förstå vad det innebär, du måste titta på hur kvantdatorer fungerar. Grunden för kvantinformation är kvantbiten, eller qubit. Till skillnad från konventionella digitala bitar, en qubit kan anta inte bara de två tillstånden noll och en, men också superpositioner av båda staterna. I en kvantdators processor, det finns till och med flera qubits överlagrade som en del av ett gemensamt tillstånd. Denna trassel förklarar kvantdatorernas enorma processorkraft när det gäller att lösa vissa komplexa uppgifter där konventionella datorer är dömda att misslyckas. Nackdelen är att kvantinformation är mycket känslig för brus från sin omgivning. Detta och andra särdrag i kvantvärlden innebär att kvantinformation behöver regelbundna reparationer - det vill säga kvantfelkorrigering. Dock, de operationer som detta kräver är inte bara komplexa utan måste också lämna själva kvantinformationen intakt.

Kvantfelkorrigering är som ett spel Go med konstiga regler

"Du kan tänka dig att elementen i en kvantdator är precis som en Go -bräda, säger Marquardt, komma till kärnidén bakom hans projekt. Qubiterna fördelas över brädet som bitar. Dock, det finns vissa viktiga skillnader från ett konventionellt spel Go:alla bitar är redan fördelade runt brädet, och var och en av dem är vit på ena sidan och svart på den andra. En färg motsvarar tillståndet noll, den andra till en, och ett drag i ett spel Quantum Go innebär att man vänder på bitar. Enligt kvantvärldens regler, bitarna kan också anta grå blandade färger, som representerar överlagring och intrassling av kvanttillstånd.

När det gäller att spela spelet, en spelare - vi kallar henne Alice - gör drag som är avsedda att bevara ett mönster som representerar ett visst kvanttillstånd. Dessa är kvantfelkorrigeringsoperationerna. Sålänge, hennes motståndare gör allt de kan för att förstöra mönstret. Detta representerar det ständiga bruset från den mängd störningar som verkliga qubits upplever från sin omgivning. Dessutom, ett spel med quantum Go försvåras särskilt av en märklig kvantregel:Alice får inte titta på brädet under spelet. Varje glimt som avslöjar qubitbitarnas tillstånd för henne förstör det känsliga kvanttillståndet som spelet för närvarande upptar. Frågan är:hur kan hon göra rätt drag trots detta?

Extra qubits avslöjar defekter i kvantdatorn

I kvantdatorer, detta problem löses genom att placera ytterligare qubits mellan qubits som lagrar den faktiska kvantinformationen. Enstaka mätningar kan göras för att övervaka tillståndet för dessa extra qubits, tillåta kvantdatorns styrenhet att identifiera var fel ligger och utföra korrigeringsoperationer på de informationsbärande qubiterna i dessa områden. I vårt spel Quantum Go, de extra qubitarna skulle representeras av ytterligare pjäser fördelade mellan de faktiska spelpjäserna. Alice får titta ibland, men bara vid dessa hjälpstycken.

I Erlangenforskarnas arbete, Alices roll utförs av artificiella neurala nätverk. Tanken är att, genom träning, nätverken kommer att bli så bra på denna roll att de till och med kan överträffa korrigeringsstrategier som utarbetats av intelligenta mänskliga sinnen. Dock, när laget studerade ett exempel med fem simulerade qubits, ett nummer som fortfarande går att hantera för konventionella datorer, de kunde visa att bara ett artificiellt neuralt nätverk inte är tillräckligt. Eftersom nätverket bara kan samla in små mängder information om kvantbitarnas tillstånd, eller snarare spelet Quantum Go, det kommer aldrig längre än scenen med slumpmässig prövning och fel. I sista hand, dessa försök förstör kvanttillståndet istället för att återställa det.

Ett neuralt nätverk använder sina förkunskaper för att träna ett annat

Lösningen kommer i form av ett extra neuralt nätverk som fungerar som lärare till det första nätverket. Med sina förkunskaper om kvantdatorn som ska styras, detta lärarnätverk kan träna det andra nätverket - dess elev - och därmed vägleda dess försök till framgångsrik kvantkorrigering. Först, dock, lärarnätverket själv behöver lära sig tillräckligt om kvantdatorn eller komponenten i den som ska styras.

I princip, artificiella neurala nätverk tränas med hjälp av ett belöningssystem, precis som deras naturliga modeller. Den faktiska belöningen tillhandahålls för att framgångsrikt återställa det ursprungliga kvanttillståndet genom kvantfelkorrigering. "Dock, om bara uppnåendet av detta långsiktiga mål gav en belöning, det skulle komma i ett för sent skede i de många korrigeringsförsöken, "Marquardt förklarar. De Erlangenbaserade forskarna har därför utvecklat ett belöningssystem som, även på utbildningsstadiet, uppmuntrar lärarnas neurala nätverk att anta en lovande strategi. I spelet Quantum Go, detta belöningssystem skulle ge Alice en indikation på spelets allmänna tillstånd vid en given tidpunkt utan att ge bort detaljerna.

Studentnätverket kan överträffa sin lärare genom sina egna handlingar

"Vårt första mål var att lärarnätverket lärde sig att utföra framgångsrika kvantfelkorrigeringsoperationer utan ytterligare mänsklig hjälp, "säger Marquardt. Till skillnad från skolelevernätverket, lärarnätverket kan göra detta baserat inte bara på mätresultat utan också på datorns övergripande kvanttillstånd. Studentnätverket som utbildas av lärarnätverket kommer då att vara lika bra till en början, men kan bli ännu bättre genom sina egna handlingar.

Förutom felkorrigering i kvantdatorer, Florian Marquardt tänker sig andra applikationer för artificiell intelligens. Enligt hans åsikt, fysik erbjuder många system som kan dra nytta av användningen av mönsterigenkänning av artificiella neurala nätverk.