インサイダーブリーフ
- Google Deepmind、Quantinuum、およびAmsterdam大学の研究者は、リソース集約型のTゲートの使用を最小限に抑えることで量子コンピューティングのコストを大幅に削減するAIシステムであるAlphatensor-Quantumを開発しました。
- Tゲートは量子優位性を達成するために不可欠ですが、計算高価で古典的にシミュレートするのが困難であるため、断層耐性量子コンピューティングの主要なボトルネックになります。
- ベンチマークテストでは、アルファートンソールカントムは、一部の回路のTカウントと、暗号化、量子化学、およびShorのアルゴリズムで最適化されたアプリケーションのT倍を半分にし、数百時間の手動研究を節約する可能性があります。
技術的支配のための競争で、人工知能と量子コンピューティングを互いに攻撃するためのおなじみのトロープです。実際には、これらの2つの深い技術分野は、競合他社ではなく協力者として最もよく機能する可能性があります。
例として、研究者は、新しいAIを搭載した方法では、高価な量子操作の数を減らすことで量子計算のコストを削減できると報告しています。これは、実用的な量子コンピューターの開発を加速できるステップです。現在、公式にピアレビューされているこの調査 ネイチャーマシンインテリジェンス、量子アルゴリズムの最も計算上費用のかかるコンポーネントであるTゲートの使用を最小化することにより、量子回路を最適化する深い強化学習システムであるAlphatensor-Quantumを導入します。
Quantum Computersは、Google Deepmind、Quantinuum、Amsterdam大学の科学者を含む研究チームによると、Cliffordと非Clifford Gatesが計算の基礎を形成する量子ゲートを使用して情報を処理します。 Clifford Gatesは、HadamardやControlled-Not（CNOT）ゲートなど、クラシックコンピューターで効率的にシミュレートでき、量子誤差補正で一般的に使用されます。 T Gatesなどの非クライフォードゲートは、完全な量子の利点に必要ですが、古典的に効率的にシミュレートできない計算の複雑さを導入するため、高価です。これらのTゲートは、追加のリソースを必要とするエラー修正技術にも依存しています。量子コンピューティングと人工知能の研究者チームであるこの研究の著者は、この問題に対処するためにAlphatensor-Quantumを開発しました。
Tゲートは断層耐性量子コンピューティングの主要なボトルネックであるため、それらの使用を最適化することは、大規模な量子コンピューティングを実行可能にするために重要です。
Alphatensor-Quantumの仕組み
AI駆動型メソッドが構築されます アルファテンソール、古典的なマトリックス操作を最適化するために設計された強化学習システム。研究者は、複雑な量子動作をより効率的なシーケンスに分解する数学的手法であるテンソル分解を活用することにより、それを量子回路の最適化に適応させました。
Alphatensor-Quantumは、Quantum Circuitの非クリフォードコンポーネントを特徴的なテンソルとして表し、その後、深い補強学習アプローチを使用して、そのテンソルの低いランク分解を見つけます。分解されたバージョンは、より少ないTゲートを備えた最適化された量子回路にマッピングされます。このシステムには、複数の要因をグループ化することでTゲートの数をさらに減らす補助構造のガジェットも組み込まれています。
研究者によると、以前の方法とは異なり、Alphatensor-Quantumは量子計算に関するドメイン固有の知識を最適化プロセスに明示的に統合しています。チームは、これが最適化された回路のTカウントを大幅に削減すると付け加えています。
数百の研究時間の潜在的な節約
ベンチマークテストでは、Alphatensor-Quantumは、T-Count最適化のための以前のすべてのアプローチよりも優れていました。量子暗号化で使用される最適化された回路、大量の大量を考慮するためのShorのアルゴリズム、および量子化学のハミルトニアンシミュレーション。あるケースでは、窒素固定の中心分子である鉄モリブデン補因子シミュレーションのTカウントを減らし、実際の量子化学アプリケーションにおけるその可能性を示しました。
AIシステムは、暗号化の重要な操作である有限フィールドでの乗算のためのKaratsubaの古典的な方法と同様のアルゴリズムを独立して発見しました。量子算術回路のベンチマークセットの場合、Alphatensor-Quantumは、最も有名な人間が設計したソリューションに一致または改善しました。
回路のサブセットでは、Alphatensor-Quantumは、既存の最適化技術と比較して、必要なTゲートを50％以上切断します。
研究者は、一部のタスクでは、Alphatensor-Quantumが、関連する量子回路を完全に自動化する方法で最適化することにより、数百時間の研究を節約できると推定しました。
アプリケーションと意味
量子回路でTゲートを減らす能力は、幅広い意味を持っています。暗号化、化学、および材料科学の量子アルゴリズムはTゲートに依存しており、その使用を最適化することは、これらのアルゴリズムを実際のハードウェアで実行する可能性に直接影響します。リソースのオーバーヘッドを削減することにより、Alphatensor-Quantumは実用的な量子コンピューティングを現実に近づけます。
暗号化の場合、有限のフィールド乗算回路を最適化するシステムの能力は、暗号化プロトコルに対する量子攻撃に影響を与える可能性があります。量子化学では、T-Countを減らすことにより、分子構造の大規模なシミュレーションにより、計算的に実現可能になり、創薬と材料の研究が支援されます。
その問題を緩和する最近の進展にもかかわらず、障害耐性の量子アルゴリズムのコストは、非依存症のゲートを実装するコストによって支配されています」と研究者は書いています。
したがって、重要な意味合いは、これらのゲートの数を減らすことが、スケーラブルな量子コンピューティングに向けた重要なステップになるということです。
課題
Alphatensor-Quantumは大きな約束を示していますが、チームによると、課題も伴います。補強学習モデルのトレーニングは計算的に高価であり、多くの場合、単一の回路を最適化するのに何時間もかかります。システムはテンソル分解に依存していますが、これはすべての量子アルゴリズムにとって最良のアプローチではない場合があります。さらに、T-Countを最適化しますが、Tゲートの連続階層を測定するT-Depthにはまだ対処されておらず、量子性能の重要な要因でもあります。
ただし、これらの制限は、さらなる改良と改善へのルートを提供します。たとえば、研究者は改善のためのいくつかの手段を提案しています。 Alphatensor-Quantumの将来のバージョンは、T-DepthやCostなどのT-Countを超えてメトリックを最適化できます。より高度な量子ハードウェアの制約を最適化プロセスに組み込むと、その実用性がさらに向上する可能性があります。
潜在的な拡張のもう1つの領域は、新しい量子アルゴリズムの自動発見です。カラツバのような乗算アルゴリズムの再発見におけるAlphatensor-Quantumの成功は、補強学習をアルゴリズムの発見に適用できることを示唆しており、量子プロセッサでより効率的に計算するまったく新しい方法を見つけます。
「Alphatensor-Quantumは、量子コンピューティングが進むにつれて自動回路の最適化に役立つと予想しています」と著者は書いています。
この作業は、昨年Arxivで公開されたプリプリントに基づいています。
研究チームは、Jr Ruiz、Johannes Bausch、Matej Balog、Mohammadamamamamamamamen Barekatain、Francisco Jah Heras、Alexander Novikov、Bernardino Romera-Paredes、Alhussein Fawzi、Pushmeet Kohli、すべて Google DeepMind、ロンドン; Tuomas Laakkonen、Konstantinos Meichanetzidis、Nathan Fitzpatrick、すべて Quantine ジョン・ヴァン・デ・ウェテリン、 アムステルダム大学。
