Forskare vid University of Sydney och kvantkontrollstartföretaget Q-CTRL tillkännagav idag ett sätt att identifiera felkällor i kvantdatorer genom maskininlärning, ger hårdvaruutvecklare möjligheten att lokalisera prestandaförsämring med oöverträffad noggrannhet och accelerera vägar till användbara kvantdatorer.

Ett gemensamt vetenskapligt dokument som beskriver forskningen, med titeln "Quantum Oscillator Noise Spectroscopy via Displaced Cat States, " har publicerats i Fysiska granskningsbrev , världens främsta fysikvetenskapliga forskningstidskrift och flaggskeppspublikation från American Physical Society (APS Physics).

Fokuserat på att minska fel orsakade av miljöbrus – kvantberäkningarnas akilleshäl – utvecklade teamet vid University of Sydney en teknik för att upptäcka de minsta avvikelserna från de exakta förhållanden som krävs för att exekvera kvantalgoritmer med hjälp av fångade joner och supraledande kvantberäkningshårdvara. Detta är kärnteknologin som används av världsledande industriella kvantberäkningsinsatser hos IBM, Google, Honeywell, IonQ, och andra.

För att lokalisera källan till de uppmätta avvikelserna, Q-CTRL-forskare utvecklade ett nytt sätt att bearbeta mätresultaten med hjälp av anpassade maskininlärningsalgoritmer. I kombination med Q-CTRL:s befintliga kvantkontrolltekniker, forskarna kunde också minimera effekten av bakgrundsstörningar i processen. Detta möjliggjorde enkel diskriminering mellan "riktiga" bruskällor som kunde fixas och fantomartefakter av själva mätningarna.

"Att kombinera banbrytande experimentell teknik med maskininlärning har visat enorma fördelar i utvecklingen av kvantdatorer, " sa Dr. Cornelius Hempel från ETH Zürich som genomförde forskningen vid University of Sydney. "Q-CTRL-teamet kunde snabbt utveckla en professionellt konstruerad maskininlärningslösning som gjorde det möjligt för oss att förstå våra data och tillhandahålla en ny sätt att "se" problemen i hårdvaran och åtgärda dem."

Q-CTRL VD och University of Sydney professor Michael J. Biercuk sa, "Förmågan att identifiera och undertrycka källor till prestandaförsämring i kvanthårdvara är avgörande för både grundforskning och industriella ansträngningar att bygga kvantsensorer och kvantdatorer.

"Kvantkontroll, förstärkt med maskininlärning, har visat en väg för att göra dessa system praktiskt användbara och dramatiskt påskynda FoU-tidslinjer, " han sa.

"Det publicerade resultatet i en prestigefylld, peer-reviewed tidskrift validerar fördelen med pågående samarbete mellan grundläggande vetenskaplig forskning i ett universitetslaboratorium och djupteknologiska startups. Vi är glada över att driva fältet framåt genom vårt samarbete. "