Kvantberäkningen fortsätter att utvecklas i snabb takt, men en utmaning som håller fältet tillbaka är att mildra bruset som plågar kvantmaskiner. Detta leder till mycket högre felfrekvens jämfört med klassiska datorer.

Detta brus orsakas ofta av ofullkomliga styrsignaler, störningar från omgivningen och oönskade interaktioner mellan qubits, som är byggstenarna i en kvantdator. Att utföra beräkningar på en kvantdator involverar en "kvantkrets", vilket är en serie operationer som kallas kvantgrindar. Dessa kvantgrindar, som är mappade till de individuella kvantbitarna, ändrar kvanttillstånden för vissa kvantbitar, som sedan utför beräkningarna för att lösa ett problem.

Men kvantportar introducerar brus, vilket kan hämma en kvantmaskins prestanda.

Forskare vid MIT och på andra håll arbetar för att övervinna detta problem genom att utveckla en teknik som gör själva kvantkretsen motståndskraftig mot brus. (Specifikt är dessa "parameteriserade" kvantkretsar som innehåller justerbara kvantgrindar.) Teamet skapade ett ramverk som kan identifiera den mest robusta kvantkretsen för en viss beräkningsuppgift och generera ett mappningsmönster som är skräddarsytt för kvantbitarna för ett målkvantum. enhet.

Deras ramverk, som kallas QuantumNAS (noise adaptive search), är mycket mindre beräkningsintensivt än andra sökmetoder och kan identifiera kvantkretsar som förbättrar noggrannheten i maskininlärning och kvantkemiuppgifter. När forskarna använde sin teknik för att identifiera kvantkretsar för riktiga kvantenheter, överträffade deras kretsar de som genererades med andra metoder.

"Nyckelidén här är att utan denna teknik måste vi ta prov på varje enskild kvantkretsarkitektur och kartläggningsscenario i designutrymmet, träna dem, utvärdera dem, och om det inte är bra måste vi kasta bort det och börja om. Men med den här metoden kan vi erhålla många olika kretsar och kartläggningsstrategier på en gång utan behov av många träningstillfällen", säger Song Han, docent vid institutionen för elektroteknik och datavetenskap (EECS) och senior författare till tidningen.

Med Han på tidningen är huvudförfattaren Hanrui Wang och Yujun Lin, båda EECS-studenter; Yongshan Ding, biträdande professor i datavetenskap vid Yale University; David Z. Pan, Silicon Laboratories Endowed Chair i elektroteknik vid University of Texas i Austin, och UT Austin student Jiaqi Gu; Fred Chong, Seymour Goodman-professorn vid institutionen för datavetenskap vid University of Chicago; och Zirui Li, en student vid Shanghai Jiao Tong University. Forskningen kommer att presenteras vid IEEE International Symposium on High-Performance Computer Architecture.

Många designval

Att konstruera en parametriserad kvantkrets innebär att välja ett antal kvantgrindar, vilket är fysiska operationer som kvantbitarna kommer att utföra. Detta är ingen lätt uppgift, eftersom det finns många typer av portar att välja mellan. En krets kan också ha hur många grindar som helst, och positionerna för dessa grindar – vilka fysiska qubits de mappar till – kan variera.

"Med så många olika val är designutrymmet extremt stort. Utmaningen är hur man designar en bra kretsarkitektur. Med QuantumNAS vill vi designa den arkitekturen så att den kan vara väldigt robust mot brus", säger Wang.

Forskarna fokuserade på variationsmässiga kvantkretsar, som använder kvantgrindar med träningsbara parametrar som kan lära sig en maskininlärnings- eller kvantkemiuppgift. För att designa en variationsrik kvantkrets måste en forskare vanligtvis antingen handdesigna kretsen eller använda regelbaserade metoder för att designa kretsen för en viss uppgift, och sedan försöka hitta den ideala uppsättningen parametrar för varje kvantgrind genom en optimeringsprocess .

I den naiva sökmetoden, där möjliga kretsar utvärderas individuellt, måste parametrarna för varje kandidatkvantkrets tränas, vilket resulterar i en massiv beräkningsoverhead. Men forskaren måste också identifiera det ideala antalet parametrar och kretsarkitekturen i första hand.

I klassiska neurala nätverk ökar, inklusive fler parametrar, ofta modellens noggrannhet. Men i variationsmässig kvantberäkning kräver fler parametrar fler kvantgrindar, vilket introducerar mer brus.

Med QuantumNAS försöker forskarna minska den totala sök- och utbildningskostnaden samtidigt som de identifierar kvantkretsen som innehåller det ideala antalet parametrar och lämplig arkitektur för att maximera noggrannheten och minimera brus.

Bygga en "SuperCircuit"

För att göra det designar de först en "SuperCircuit", som innehåller alla möjliga parameteriserade kvantportar i designutrymmet. Den SuperCircuit kommer att användas för att generera mindre kvantkretsar som kan testas.

De tränar SuperCircuit en gång, och eftersom alla andra kandidatkretsar i designutrymmet är delmängder av SuperCircuit, ärver de motsvarande parametrar som redan har tränats. Detta minskar beräkningskostnaderna för processen.

När SuperCircuit har tränats använder de den för att söka efter kretsarkitekturer som uppfyller ett mål, i detta fall hög robusthet mot brus. Processen innebär att man söker efter kvantkretsar och qubit-mappningar samtidigt med hjälp av vad som kallas en evolutionär sökalgoritm.

Denna algoritm genererar vissa kvantkretsar och qubit-mappningskandidater, och utvärderar sedan deras noggrannhet med en brusmodell eller på en riktig maskin. Resultaten återkopplas till algoritmen, som väljer ut de delar som ger bäst resultat och använder dem för att starta processen igen tills den hittar de idealiska kandidaterna.

"Vi vet att olika qubits har olika egenskaper och grindfelfrekvens. Eftersom vi bara använder en delmängd av qubits, varför använder vi inte de mest tillförlitliga? Vi kan göra detta genom samsökning av arkitekturen och qubits kartläggning," förklarar Wang.

När forskarna har kommit fram till den bästa kvantkretsen tränar de dess parametrar och utför kvantportbeskärning genom att ta bort eventuella kvantportar som har värden nära noll, eftersom de inte bidrar mycket till den totala prestandan. Att ta bort dessa grindar minskar ljudkällorna och förbättrar prestandan ytterligare på riktiga kvantmaskiner. Sedan finjusterar de de återstående parametrarna för att återställa eventuell noggrannhet som gått förlorad.

När det steget är klart kan de distribuera kvantkretsen till en riktig maskin.

När forskarna testade sina kretsar på riktiga kvantenheter, överträffade de alla baslinjer, inklusive kretsar som designats för hand av människor och andra gjorda med andra beräkningsmetoder. I ett experiment använde de QuantumNAS för att producera en brus-robust kvantkrets som användes för att uppskatta grundtillståndsenergin för en viss molekyl, vilket är ett viktigt steg i kvantkemi och läkemedelsupptäckt. Deras metod gjorde en mer exakt uppskattning än någon av baslinjerna.

Nu när de har visat effektiviteten hos QuantumNAS vill de använda dessa principer för att göra parametrarna i en kvantkrets robusta mot brus. Forskarna vill också förbättra skalbarheten hos ett kvantneuralt nätverk genom att träna en kvantkrets på en riktig kvantmaskin, snarare än en klassisk dator.

"Det här är ett intressant arbete som söker efter brusstarka ansatz och qubit-mappning av parametriska kvantkretsar", säger Yiyu Shi, professor i datavetenskap och teknik vid University of Notre Dame, som inte var involverad i denna forskning. "Till skillnad från den naiva sökmetoden som tränar och utvärderar ett stort antal kandidater individuellt, tränar detta arbete en SuperCircuit och använder den för att utvärdera många kandidater, vilket är mycket mer effektivt."

"I detta arbete lättar Hanrui och medarbetare på utmaningen att söka efter en effektiv parametriserad kvantkrets genom att träna en SuperCircuit och använda den för att utvärdera många kandidater, vilket blir mycket effektivt eftersom det kräver en utbildningsprocedur. När SuperCircuit är utbildad kan den vara används för att söka efter kretsansatz och qubit-mappning. Efter att ha tränat SuperCircuit kan vi använda den för att söka efter kretsansatz och qubit-mappning. Utvärderingsprocessen görs med hjälp av brusmodeller eller körs på den riktiga kvantmaskinen", säger Sona Najafi , en forskare vid IBM Quantum som inte var involverad i detta arbete. "Protokollet har testats med IBMQ-kvantmaskiner på VQE- och QNN-uppgifter som visar mer exakt marktillståndsenergi och högre klassificeringsnoggrannhet."

För att uppmuntra till mer arbete inom detta område skapade forskarna ett bibliotek med öppen källkod, TorchQuantum, som innehåller information om deras projekt, handledningar och verktyg som kan användas av andra forskargrupper. + Utforska vidare

Forskare simulerar framgångsrikt en 64-qubit-krets