Квантовые компьютеры способны радикально изменить сферы разработки лекарств, проектирования материалов и фундаментальной физики, если удастся обеспечить их стабильную работу.
Некоторые задачи, на решение которых обычным компьютерам потребовались бы миллиарды лет, квантовые машины могут выполнить за считанные часы. Тем не менее эти процессоры гораздо чувствительнее к помехам, чем традиционные. Чтобы повысить надежность квантовых компьютеров, особенно при масштабировании, необходимо точно выявлять и устранять такие ошибки.
В статье, опубликованной в журнале Nature, представлен AlphaQubit — декодер на базе искусственного интеллекта, который определяет ошибки в квантовых вычислениях с рекордной точностью. Это совместный проект, объединивший экспертизу в машинном обучении и коррекции ошибок квантовых систем для ускорения создания надежных квантовых компьютеров.
Точное распознавание ошибок — ключевой этап на пути к квантовым компьютерам, способным выполнять длительные вычисления в больших масштабах, что откроет путь к научным открытиям и новым областям исследований.
Коррекция ошибок в квантовых вычислениях
Квантовые компьютеры используют особые свойства вещества на микроскопическом уровне, такие как суперпозиция и запутанность, чтобы решать сложные задачи за гораздо меньшее количество шагов по сравнению с классическими машинами. Технология основана на кубитах — квантовых битах, которые просеивают огромные множества вариантов с помощью квантовой интерференции, чтобы найти решение.
Естественное квантовое состояние кубита неустойчиво и подвержено влиянию множества факторов: микроскопических дефектов оборудования, тепла, вибраций, электромагнитных помех и даже космических лучей, присутствующих повсюду.
Коррекция ошибок в квантовых системах предлагает решение через избыточность: несколько кубитов объединяются в один логический кубит, и за ним регулярно проводятся проверки согласованности. Декодер сохраняет квантовую информацию, анализируя эти проверки для выявления ошибок в логическом кубите и их последующей коррекции.
В этой иллюстрации показано, как девять физических кубитов (маленькие серые кружки) в сетке кубитов с длиной стороны 3 (расстояние кода) образуют логический кубит. На каждом этапе дополнительные 8 кубитов выполняют проверки согласованности (области в виде квадратов и полукругов, синие и пурпурные при сбое, серые в норме) для нейронной сети-декодера (AlphaQubit). В конце эксперимента AlphaQubit определяет, какие ошибки произошли.
Разработка нейронного декодера
AlphaQubit — это декодер на основе нейронной сети, использующий архитектуру Transformers, разработанную в Google и лежащую в основе многих современных больших языковых моделей. На вход он принимает данные проверок согласованности, а его задача — предсказать, изменилось ли состояние логического кубита при измерении в конце эксперимента по сравнению с исходным.
Обучение модели началось с декодирования данных от набора из 49 кубитов в процессоре Sycamore — основной вычислительной единице квантового компьютера. Чтобы освоить общую задачу декодирования, применили квантовый симулятор для генерации сотен миллионов примеров в различных условиях и уровнях ошибок. Затем AlphaQubit дообучили на конкретной задаче, предоставив тысячи экспериментальных образцов от конкретного процессора Sycamore.
При тестировании на новых данных Sycamore AlphaQubit установил новый рекорд точности по сравнению с предыдущими ведущими декодерами. В самых масштабных экспериментах на Sycamore он совершает на 6% меньше ошибок, чем методы тензорных сетей, которые точны, но слишком медленны для практического применения. Кроме того, AlphaQubit снижает количество ошибок на 30% по сравнению с коррелированным сопоставлением — точным декодером, подходящим для масштабирования по скорости.
Точность декодирования для малых и крупных экспериментов на Sycamore (расстояние 3 = 17 физических кубитов, расстояние 5 = 49 физических кубитов). AlphaQubit превосходит по точности тензорную сеть (TN, метод, не подходящий для масштабирования в крупных экспериментах) и коррелированное сопоставление (точный декодер с достаточной скоростью для масштаба).
Масштабирование AlphaQubit для будущих систем
Ожидается, что квантовые компьютеры эволюционируют за пределы текущих возможностей. Чтобы проверить адаптацию AlphaQubit к более крупным устройствам с меньшим уровнем ошибок, модель обучили на данных от симулированных квантовых систем до 241 кубита, поскольку это превышало доступные ресурсы платформы Sycamore.
Снова AlphaQubit опередил ведущие алгоритмические декодеры, что указывает на его применимость к среднеразмерным квантовым устройствам в будущем.
Точность декодирования для различных масштабируемых/симулированных экспериментов, от расстояния 3 (17 кубитов) до расстояния 11 (241 кубит). Декодер тензорной сети не показан на графике, поскольку он слишком медленный для больших расстояний. Точность двух других декодеров растет с увеличением расстояния (то есть с большим числом физических кубитов). На каждом расстоянии AlphaQubit точнее коррелированного сопоставления.
Система также продемонстрировала продвинутые возможности, такие как прием и отчетность уровней уверенности для входных и выходных данных. Эти информативные интерфейсы помогут дополнительно повысить эффективность квантового процессора.
При обучении на образцах с до 25 раундами коррекции ошибок AlphaQubit сохранил высокую производительность в симулированных экспериментах до 100 000 раундов, показав способность обобщать на сценарии за пределами обучающих данных.
Шаги к практическому квантовому вычислению
AlphaQubit — значительный прорыв в применении машинного обучения для коррекции ошибок в квантовых системах. Однако остаются серьезные вызовы в области скорости и масштабируемости.
Например, каждая проверка согласованности в быстром сверхпроводящем квантовом процессоре проводится миллион раз в секунду. Хотя AlphaQubit отлично справляется с точным выявлением ошибок, он пока недостаточно быстр для реального времени коррекции в сверхпроводящем процессоре. По мере роста квантовых вычислений до потенциально миллионов кубитов, необходимых для коммерчески значимых приложений, потребуется разработать более эффективные подходы.
Команды объединяют новаторские достижения в машинном обучении и коррекции квантовых ошибок, чтобы преодолеть эти препятствия и проложить путь к надежным квантовым компьютерам, способным решать самые сложные проблемы мира.