インサイダーブリーフ
- 共同SPINQの研究チームは、量子システムのダイナミクスを予測し、隠されたパラメーターを推測することができる機械学習モデルを開発し、量子ハードウェアのキャリブレーションと制御を改善する可能性があります。
- このモデルは、長期の長期メモリネットワークに基づいており、NMRおよび超伝導量プラットフォームでのテスト全体の予測およびパラメーター推論におけるサブ1％エラー率を実証しました。
- このアプローチは強力なスケーラビリティを示し、量子コンピューティングアプリケーションのリアルタイムノイズ追跡とシステムの安定性における将来の努力を支援する可能性があります。
研究チームは、量子システムの動作を説明し、予測できる機械学習モデルを開発しました。これは、成功した場合、エラー補正、ハードウェアキャリブレーション、および量子コンピューティングにおけるアルゴリズム設計を合理化できることです。チームには、チームメンバーを含む科学者が含まれていました spinq、香港科学技術大学、深Shenzhen大学と広東 – 香港マカオグレーターベイエリアの量子科学センター
で公開された研究 物理的なレビューレター、長期短期メモリ（LSTM）ネットワークとして知られるタイプの人工知能（AI）が、ハミルトンパラメーターとして知られる量子システムの内部ルール間の双方向の翻訳を確立するように訓練された方法と、これらのシステムが時間の経過とともに進化する方法をどのように訓練したかを概説します。この「双方向」容量は、システムが観察されたデータから未知の量子特性を推測し、既知のパラメーターから将来のシステムダイナミクスを予測できることを意味します。
「この成果は、量子ハードウェアのキャリブレーション、ノイズの特性評価、アルゴリズムの最適化のための新しいアプローチを提供します。結果は、さまざまな量子コンピューティングプラットフォームでの実験を通じて検証されています」 声明に書いてください。
研究者は、モデルが量子コンピューティングフィールドに大きな進歩を提供していると報告しています。この分野では、量子状態の複雑で脆弱な性質のために、小さなシステムでさえシミュレートして診断するのが難しい場合があります。これらのシステムを分析する従来の方法は、特定の機能をプローブするために設計されたブルートフォースシミュレーションまたは制御された実験に依存しています。
対照的に、新しい方法では、機械学習を使用して、時系列データのパターンを認識します。これにより、磁場の変動などの隠された変数を推定し、量子システムの動作を予測できます。
著者らは、モデルの主な強さは、既知のルールからシステムの動作を予測し、観察された動作からそれらのルールを特定する能力にあると示唆しています。
結果
モデルは、システムパラメーターを予測および再構築するときに1％未満のエラー率を達成しました。テストの場合、スピンの向きなどのローカルオブザーバブルを視聴するだけでシステムの動作を支配する時間変動ハミルトニアンパラメーターを推測することができます。パラメーターが既にわかっている場合、モデルは15の時間ステップでシステムがどのように進化するかを正確に予測しました。
パフォーマンスを検証するために、チームは古典的なシミュレーションと実世界の量子ハードウェアの両方でテストを実行しました。それには、Spinqの実験が含まれていました 核磁気共鳴（NMR）プラットフォーム 20 quit超伝導量子プロセッサ。
NMRシステムの1つのテストでは、AIは、研究によると、50ミリ秒の間隔で2回のセットアップでスピンダイナミクスを予測しました。超伝導チップでは、モデルはゲート操作データを分析することにより、以前は未知のシステムノイズ値を決定することができました。これらのパラメーターは通常、測定が困難ですが、キュービットの安定性を維持するために重要です。
量子エラー補正のためのツール
これらの調査結果は、Quantum Computingの主な課題の1つであるエラー修正に対処するのに役立ちます。量子ビット、またはqubitsは、外部ノイズと内部矛盾に対する感受性のために、エラーが発生しやすいことで有名です。量子誤差補正に対する現在のほとんどのアプローチは、ノイズに関する静的な仮定に依存しており、すぐに時代遅れになる可能性があります。
新しい方法により、ノイズ源のリアルタイム追跡が可能になり、システムが変動に自動的に調整され、精度を維持できます。ある実験では、研究者は、モデルが観察されたデコハランスと強く相関するシステムパラメーターの時変変化を検出できることを示しました。予測されたデータと実際のデータの一致は、0.97の決定係数に達し、強い信頼性を示唆しています。
この研究は、排出などのパラメーターの変動を追跡する能力が、ノイズの特性評価とシステムの安定性における将来の発展をサポートする可能性があることを示唆しています。
スケーラビリティ
このモデルは、シミュレーションにおける有望なスケーラビリティを示しました。より多くのキュービットでシミュレートされたシステムでテストされた場合、パラメーターを推定するのにかかった時間は、従来の方法よりもはるかに遅い速度で増加しました。たとえば、5〜11キクにスケーリングする場合、モデルの推論時間は1.8倍になりました。対照的に、古典的な線形代数アプローチは、5倍以上長く必要でした。
そのサブ線形成長率は、将来の大規模システムで有望であり、リアルタイムの監視が安定性とパフォーマンスに不可欠になる可能性があります。
基礎となるモデルは、LSTMネットワークを組み合わせています。これは、シーケンスの分析に熟知したニューラルネットワークの一種と、入力データから重要な機能を抽出するエンコーダです。これらのツールは、自然言語処理または時系列予測でよく使用されます。これに関連して、研究者はそれらを量子測定のシーケンスに適用して、それらの背後にある隠されたパラメーターを学習しました。
制限と将来の研究の方向性
モデルの結果は勇気づけられますが、制限があります。これまでのほとんどのテストには小さなシステムが含まれており、結果はNMRと超伝導ハードウェアの両方に一般化されていますが、他の量子プラットフォームでより広範な検証が必要になります。また、システムの精度は、より長い予測視野のために低下し、将来の距離までの制限を示唆しています。
データ品質にも依存しています。モデルのパフォーマンスは、十分に詳細でクリーンな観察データを持つことにかかっています。これは、ノイズと欠陥がたくさんある現実世界の量子システムで常に利用できるとは限りません。
この研究は、Spinqと協力機関の共同チームが主導しました。 Spinqは、量子技術を商業化するというより広範な目標の一環として、この方法の開発を継続する予定だと言います。同社は、デスクトップ量子デバイスとクラウドアクセス可能な量子プロセッサの両方を販売しています。
将来の研究では、モデルの適用性の拡大、騒々しい条件下での堅牢性の向上、リアルタイムのフィードバックループの統合に焦点を当てる可能性があります。研究者は、目標は量子コンピューターが自分自身をよりよく理解し、おそらく修正することを可能にすることだと言います。これは、量子コンピューターを実際のテクノロジーとビジネスシステムに統合するというチームの究極の目標に向けて一歩を踏み出します。
チームは声明に次のように書いています。「将来、SPINQは「テクノロジーR＆Dと商業実装」によって推進されたコア戦略を追求し続け、最先端の量子コンピューティング研究をフルスタックの技術インフラストラクチャとビジネスエコシステムに深く統合することを約束します。SPINQは、量子テクノロジーを普通のドライブインダストリアルに包んでいる株式産業を介して、世界的な産業用のコラーズを介してパートナーになっています。コンピューティング対応産業。」
この論文は、Spinqステートメントに依存していました ARXIVバージョン Paywallの後ろに公開されているPRLペーパーの。
