I ett steg mot praktisk kvantberäkning, forskare från MIT, Google, och på andra håll har designat ett system som kan verifiera när kvantchips har exakt utfört komplexa beräkningar som klassiska datorer inte kan.

Kvantchips utför beräkningar med hjälp av kvantbitar, kallas "qubits, " som kan representera de två tillstånden som motsvarar klassiska binära bitar - en nolla eller en - eller en "kvantöverlagring" av båda tillstånden samtidigt. Det unika superpositionstillståndet kan göra det möjligt för kvantdatorer att lösa problem som är praktiskt taget omöjliga för klassiska datorer, potentiellt sporrar till genombrott inom materialdesign, drog upptäckt, och maskininlärning, bland andra applikationer.

Fullskaliga kvantdatorer kommer att kräva miljontals kvantbitar, vilket ännu inte är genomförbart. Under de senaste åren, forskare har börjat utveckla "Noisy Intermediate Scale Quantum" (NISQ) chips, som innehåller cirka 50 till 100 qubits. Det är bara tillräckligt för att visa "kvantfördelar, " vilket betyder att NISQ-chippet kan lösa vissa algoritmer som är svårhanterliga för klassiska datorer. Att verifiera att chipsen utförde operationer som förväntat, dock, kan vara mycket ineffektivt. Chipets utgångar kan se helt slumpmässiga ut, så det tar lång tid att simulera steg för att avgöra om allt gick enligt plan.

I en tidning som publicerades idag i Naturfysik , forskarna beskriver ett nytt protokoll för att effektivt verifiera att ett NISQ-chip har utfört alla rätt kvantoperationer. De validerade sitt protokoll på ett notoriskt svårt kvantproblem som körs på anpassade kvantfotoniska chip.

"När snabba framsteg inom industri och akademi tar oss till gränsen för kvantmaskiner som kan överträffa klassiska maskiner, uppgiften med kvantverifiering blir tidskritisk, " säger första författaren Jacques Carolan, en postdoc vid Institutionen för elektroteknik och datavetenskap (EECS) och Research Laboratory of Electronics (RLE). "Vår teknik ger ett viktigt verktyg för att verifiera en bred klass av kvantsystem. För om jag investerar miljarder dollar för att bygga ett kvantchip, det är klart bättre att göra något intressant."

Med Carolan på uppsatsen är forskare från EECS och RLE vid MIT, även från Google Quantum AI Laboratory, Elenion Technologies, Ljusmateria, och Zapata Computing.

Söndra och erövra

Forskarnas arbete spårar i huvudsak ett utgående kvanttillstånd som genereras av kvantkretsen tillbaka till ett känt ingångstillstånd. Om du gör det avslöjas vilka kretsoperationer som utfördes på ingången för att producera utsignalen. Dessa operationer bör alltid matcha vad forskarna programmerat. Om inte, forskarna kan använda informationen för att peka ut var det gick fel på chipet.

Kärnan i det nya protokollet, kallad "Variational Quantum Unsampling, " ligger en "dela och härska"-strategi, Carolan säger, som bryter ut kvanttillståndet i bitar. "Istället för att göra allt i ett skott, vilket tar väldigt lång tid, vi gör detta avkodning lager för lager. Detta gör att vi kan bryta upp problemet för att tackla det på ett mer effektivt sätt, säger Carolan.

För detta, forskarna tog inspiration från neurala nätverk – som löser problem genom många lager av beräkningar – för att bygga ett nytt "kvantneuralt nätverk" (QNN), där varje lager representerar en uppsättning kvantoperationer.

För att köra QNN, de använde traditionell kiseltillverkningsteknik för att bygga ett NISQ-chip på 2 gånger 5 millimeter med mer än 170 kontrollparametrar – avstämbara kretskomponenter som gör det enklare att manipulera fotonvägen. Par av fotoner genereras vid specifika våglängder från en extern komponent och injiceras i chipet. Fotonerna färdas genom chipets fasskiftare - som ändrar fotonernas väg - och interfererar med varandra. Detta ger ett slumpmässigt kvantutdatatillstånd - som representerar vad som skulle hända under beräkningen. Utsignalen mäts av en uppsättning externa fotodetektorsensorer.

Den utdata skickas till QNN. Det första lagret använder komplexa optimeringstekniker för att gräva igenom den brusiga utmatningen för att lokalisera signaturen för en enskild foton bland alla de som är förvrängda. Sedan, den "avkodar" den enstaka fotonen från gruppen för att identifiera vilka kretsoperationer som återställer den till dess kända ingångstillstånd. Dessa operationer bör matcha exakt kretsens specifika design för uppgiften. Alla efterföljande lager gör samma beräkning – tar bort från ekvationen alla tidigare okodade fotoner – tills alla fotoner är avkodade.

Som ett exempel, säg att ingångstillståndet för qubits som matas in i processorn var nollor. NISQ-chippet utför ett gäng operationer på qubits för att generera en massiv, till synes slumpmässigt ändrande nummer som utdata. (Ett utdatanummer kommer ständigt att förändras eftersom det är i en kvantöverlagring.) QNN väljer bitar av det enorma antalet. Sedan, lager på lager, den bestämmer vilka operationer som återställer varje qubit tillbaka till dess ingångstillstånd noll. Om någon operation skiljer sig från den ursprungliga planerade verksamheten, då har något gått snett. Forskare kan inspektera eventuella oöverensstämmelser mellan de förväntade utdata till ingångslägen, och använd den informationen för att justera kretsdesignen.

Boson "avsampling"

I experiment, teamet körde framgångsrikt en populär beräkningsuppgift som användes för att visa kvantfördelar, kallas "bosonprovtagning, " som vanligtvis utförs på fotoniska chips. I denna övning, fasskiftare och andra optiska komponenter kommer att manipulera och omvandla en uppsättning ingående fotoner till en annan kvantöverlagring av utgående fotoner. I sista hand, uppgiften är att beräkna sannolikheten för att ett visst ingångstillstånd kommer att matcha ett visst outputtillstånd. Det kommer i huvudsak att vara ett urval från någon sannolikhetsfördelning.

Men det är nästan omöjligt för klassiska datorer att beräkna dessa prover, på grund av fotonernas oförutsägbara beteende. Det har varit en teori om att NISQ-chips kan beräkna dem ganska snabbt. Tills nu, dock, det har inte funnits något sätt att verifiera det snabbt och enkelt, på grund av komplexiteten i NISQ-operationerna och själva uppgiften.

"Just samma egenskaper som ger dessa chips kvantberäkningskraft gör dem nästan omöjliga att verifiera, säger Carolan.

I experiment, forskarna kunde "avsampla" två fotoner som hade kört igenom bosonsamplingsproblemet på deras anpassade NISQ-chip - och på en bråkdel av tiden skulle det ta traditionella verifieringsmetoder.

"Detta är ett utmärkt papper som använder ett olinjärt kvantneuralt nätverk för att lära sig den okända enhetsoperationen som utförs av en svart låda, " säger Stefano Pirandola, en professor i datavetenskap som är specialiserad på kvantteknologi vid University of York. "Det är tydligt att detta schema kan vara mycket användbart för att verifiera de faktiska grindarna som utförs av en kvantkrets—[till exempel] av en NISQ-processor. Ur denna synvinkel, schemat fungerar som ett viktigt benchmarkingverktyg för framtida kvantingenjörer. Idén implementerades anmärkningsvärt på ett fotoniskt kvantchip."

Medan metoden utformades för kvantverifieringsändamål, det kan också hjälpa till att fånga användbara fysiska egenskaper, säger Carolan. Till exempel, vissa molekyler vibrerar när de exciteras, sänder sedan ut fotoner baserat på dessa vibrationer. Genom att injicera dessa fotoner i ett fotoniskt chip, Carolan säger, avkodningstekniken skulle kunna användas för att upptäcka information om kvantdynamiken hos dessa molekyler för att hjälpa till med bioteknisk molekylär design. Den kan också användas för att avkoda fotoner som bär kvantinformation som har samlat på sig brus genom att passera genom turbulenta utrymmen eller material.

"Drömmen är att tillämpa detta på intressanta problem i den fysiska världen, säger Carolan.

Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.