Två forskare vid Université de Sherbrooke, i Kanada, har nyligen utvecklat och tränat avkodare för neural faith-propagation (BP) för kvantiteter med låg densitet paritetskontroll (LDPC). Deras studie, beskrivs i ett papper publicerat i Physical Review Letters, föreslår att träning kan förbättra prestanda för BP -avkodare avsevärt, hjälper till att lösa problem som vanligtvis är förknippade med deras tillämpning i kvantforskning.

"Tio år sedan, Jag skrev en artikel med Yeojin Chung som förklarade hur standardavkodningsalgoritmer för LDPC -koder, som i stor utsträckning används i klassisk kommunikation, skulle misslyckas i kvantinställningen, "David Poulin, en av forskarna som genomförde studien, berättade för Phys.org. "Det här problemet har besatt mig sedan dess. Nyligen har människor har börjat undersöka användningen av neurala nätverk för att avkoda kvantkoder, men de fokuserade alla på ett problem (avkodning av topologiska koder) som redan hade ett antal bra, mänskligt designade lösningar. Detta var det perfekta tillfället att återkomma till mitt favoritöppna problem och använda neurala nätverk för att avkoda kvantkoder som inte hade någon tidigare känd avkodare. "

Medan BP -avkodare vanligtvis tillämpas i en mängd olika inställningar, hittills har de visat sig vara olämpliga för avkodning av kvantfelkorrigerande koder. Detta beror på en unik kvantfunktion som kallas 'feldegeneration, "vilket i huvudsak betyder att det finns flera sätt att korrigera ett fel i kvantinställningar.

Klassiska BP -algoritmer består av tre enkla ekvationer. Strukturen för dessa ekvationer möjliggör en exakt mappning till ett frammatat neuralt nätverk. Med andra ord, det är möjligt att tolka de BP -ekvationer som vanligtvis används för att avkoda LDPC -koder som beskriver den initiala inställningen för ett neuralt nätverk.

Tidigare forskning har funnit att detta "initiala neurala nätverk" inte fungerar bra i kvantinställningar, trots att man har uppnått bättre prestanda än slumpmässiga neurala nätverk. I deras studie, Poulin och hans kollega Ye-Hua Liu förbättrade prestandan för det "initiala neurala nätverket" genom att träna det med data som genererats genom numeriska simuleringar.

"Träningen styrs av en målfunktion som tar hänsyn till kvanteffekter, "Liu berättade för Phys.org." Generellt sett, neurala avkodare har fördelen att de är anpassningsbara till godtycklig brusstatistik i realistiska kanaler. Utöver det, vår metod är tillämplig på kvant -LDPC -koder utan vanliga gitterstrukturer. Dessa koder är mycket lovande för att realisera lågkostnader för kvantfelkorrigering. "

Forskarna fann att träning av de neurala BP -avkodarna med den teknik de använde förbättrade deras prestanda, för alla familjer av LDPC -koder de testade. Dessutom, träningstekniken de använde kunde hjälpa till att lösa det degenerationsproblem som vanligtvis plågar avkodning av kvant -LDPC -koder.

"Utbildning av det neurala BP -nätverket kan avsevärt förbättra dess prestanda för kvantfelkorrigering, vilket innebär att en klassisk algoritm kan anpassas till kvantinställningen med djupinlärningsmetoder, "Sa Liu." Detta inspirerar oss att leta efter andra exempel som detta inom kvantfysik, att avslöja ett bredare samband mellan djupinlärning och naturvetenskap. Till exempel, trosutbredning används ofta inom många andra forskningsområden, inklusive statistisk fysik, vilket innebär neuralt BP kan också gynna forskning inom kvantstatistisk fysik. "

I deras framtida arbete, Poulin och Liu planerar att studera neural BP i samband med statistisk fysik. Om du tränar med samma teknik, forskarna förväntar sig att BP, som också kallas "kavitetsmetoden" i denna speciella miljö, kommer också att visa en förbättrad prestanda i detta sammanhang.

"Mer allmänt, trosutbredning tillhör den viktiga klassen av meddelandeöverförande algoritmer, som visar sig vara nära besläktad med grafkonvolutionsnätverk inom djupinlärningsforskning, "Tillade Liu." Det skulle vara mycket fruktbart att få insikter i dessa strukturer ur fysikers synvinkel. "

© 2019 Science X Network