[ad_1]
Квантовые вычисления продолжают развиваться быстрыми темпами, но одной из проблем, которая сдерживает развитие этой области, является уменьшение шума, от которого страдают квантовые машины. Это приводит к гораздо более высокому уровню ошибок по сравнению с классическими компьютерами.
Этот шум часто вызывается несовершенными управляющими сигналами, помехами из окружающей среды и нежелательными взаимодействиями между кубитами, которые являются строительными блоками квантового компьютера. Выполнение вычислений на квантовом компьютере включает в себя «квантовую схему», которая представляет собой серию операций, называемых квантовыми вентилями. Эти квантовые вентили, которые отображаются на отдельные кубиты, изменяют квантовые состояния определенных кубитов, которые затем выполняют вычисления для решения проблемы.
Но квантовые вентили вносят шум, который может снизить производительность квантовой машины.
Исследователи из Массачусетского технологического института и других организаций работают над преодолением этой проблемы, разрабатывая технику, которая делает саму квантовую схему устойчивой к шуму. (В частности, это «параметризованные» квантовые схемы, которые содержат регулируемые квантовые элементы.) Команда создала структуру, которая может идентифицировать наиболее надежную квантовую схему для конкретной вычислительной задачи и генерировать шаблон отображения, адаптированный к кубитам целевого квантового процессора. устройство.
Их структура, называемая QuantumNAS (поиск с адаптацией к шуму), требует гораздо меньше вычислительных ресурсов, чем другие методы поиска, и может идентифицировать квантовые схемы, повышающие точность задач машинного обучения и квантовой химии. Когда исследователи использовали свою технику для идентификации квантовых схем для реальных квантовых устройств, их схемы превзошли схемы, созданные с использованием других методов.
«Основная идея здесь заключается в том, что без этой техники мы должны пробовать каждую индивидуальную архитектуру квантовой схемы и сценарий отображения в пространстве проектирования, обучать их, оценивать их, и если это не хорошо, мы должны выбросить это и начать заново. . Но, используя этот метод, мы можем получить множество различных схем и картографических стратегий одновременно без необходимости многократного обучения», — говорит Сун Хан, доцент кафедры электротехники и компьютерных наук (EECS) и старший автор исследования. бумага.
К Хану в работе над статьей присоединились ведущий автор Ханруй Ван и Юйцзюнь Лин, оба аспиранты EECS; Юншань Дин, доцент кафедры информатики Йельского университета; Дэвид З. Пэн, заведующий кафедрой электротехники Silicon Laboratories в Техасском университете в Остине, и аспирант UT Austin Цзяци Гу; Фред Чонг, профессор Сеймура Гудмана факультета компьютерных наук Чикагского университета; и Зируи Ли, студентка бакалавриата Шанхайского университета Цзяо Тонг. Исследование будет представлено на Международном симпозиуме IEEE по высокопроизводительной компьютерной архитектуре.
Множество вариантов дизайна
Построение параметризованной квантовой схемы включает в себя выбор ряда квантовых вентилей, которые представляют собой физические операции, которые будут выполнять кубиты. Это непростая задача, так как существует множество типов ворот на выбор. Схема также может иметь любое количество вентилей, и положение этих вентилей — с какими физическими кубитами они сопоставляются — может различаться.
«С таким большим количеством различных вариантов пространство для дизайна чрезвычайно велико. Задача состоит в том, как спроектировать хорошую схемную архитектуру. С QuantumNAS мы хотим спроектировать эту архитектуру так, чтобы она была очень устойчива к шуму», — говорит Ван.
Исследователи сосредоточились на вариационных квантовых схемах, которые используют квантовые вентили с обучаемыми параметрами, которые могут обучаться задачам машинного обучения или квантовой химии. Чтобы спроектировать вариационную квантовую схему, исследователь обычно должен либо спроектировать схему вручную, либо использовать методы, основанные на правилах, для разработки схемы для конкретной задачи, а затем попытаться найти идеальный набор параметров для каждого квантового элемента с помощью процесса оптимизации. .
В наивном методе поиска, в котором возможные схемы оцениваются индивидуально, параметры для каждой квантовой схемы-кандидата должны быть обучены, что приводит к огромным вычислительным затратам. Но исследователь также должен в первую очередь определить идеальное количество параметров и архитектуру схемы.
В классических нейронных сетях включение большего количества параметров часто повышает точность модели. Но в вариационных квантовых вычислениях для большего количества параметров требуется больше квантовых вентилей, что вносит больше шума.
С помощью QuantumNAS исследователи стремятся снизить общую стоимость поиска и обучения, определяя при этом квантовую схему, которая содержит идеальное количество параметров и подходящую архитектуру для максимальной точности и минимизации шума.
Построение «Суперсхемы»
Для этого они сначала проектируют «Суперсхему», содержащую все возможные параметризованные квантовые элементы в пространстве проектирования. Эта SuperCircuit будет использоваться для создания квантовых схем меньшего размера, которые можно будет протестировать.
Они обучают SuperCircuit один раз, а затем, поскольку все остальные схемы-кандидаты в области проектирования являются подмножествами SuperCircuit, они наследуют соответствующие параметры, которые уже были обучены. Это снижает вычислительные затраты процесса.
После обучения SuperCircuit они используют его для поиска схемных архитектур, отвечающих поставленной цели, в данном случае высокой устойчивости к шуму. Процесс включает в себя одновременный поиск квантовых схем и отображений кубитов с использованием так называемого эволюционного алгоритма поиска.
Этот алгоритм генерирует несколько кандидатов на отображение квантовых схем и кубитов, а затем оценивает их точность с помощью модели шума или на реальной машине. Результаты возвращаются обратно в алгоритм, который выбирает наиболее эффективные части и использует их для повторного запуска процесса, пока не найдет идеальных кандидатов.
«Мы знаем, что разные кубиты имеют разные свойства и частоту ошибок ворот. Поскольку мы используем только часть кубитов, почему бы нам не использовать самые надежные? Мы можем сделать это посредством совместного поиска архитектуры и отображения кубитов», — объясняет Ван.
Как только исследователи получили наилучшую квантовую схему, они тренируют ее параметры и выполняют обрезку квантовых вентилей, удаляя все квантовые вентили, значения которых близки к нулю, поскольку они не сильно влияют на общую производительность. Удаление этих вентилей уменьшает источники шума и дополнительно повышает производительность на реальных квантовых машинах. Затем они настраивают оставшиеся параметры, чтобы восстановить потерянную точность.
После того, как этот шаг завершен, они могут развернуть квантовую схему на реальной машине.
Когда исследователи протестировали свои схемы на реальных квантовых устройствах, они превзошли все базовые показатели, включая схемы, разработанные людьми вручную, и схемы, созданные с использованием других вычислительных методов. В одном эксперименте они использовали QuantumNAS для создания помехоустойчивой квантовой схемы, которая использовалась для оценки энергии основного состояния для конкретной молекулы, что является важным шагом в квантовой химии и открытии лекарств. Их метод дал более точную оценку, чем любой из базовых показателей.
Теперь, когда они продемонстрировали эффективность QuantumNAS, они хотят использовать эти принципы, чтобы сделать параметры квантовой схемы устойчивыми к шуму. Исследователи также хотят улучшить масштабируемость квантовой нейронной сети, обучая квантовую схему на реальной квантовой машине, а не на классическом компьютере.
«Это интересная работа по поиску помехоустойчивых анзац- и кубитных отображений параметрических квантовых схем», — говорит Йию Ши, профессор компьютерных наук и инженерии в Университете Нотр-Дам, не участвовавший в этом исследовании. «В отличие от наивного метода поиска, который обучает и оценивает большое количество кандидатов по отдельности, эта работа обучает SuperCircuit и использует его для оценки многих кандидатов, что намного эффективнее».
Чтобы стимулировать дальнейшую работу в этой области, исследователи создали библиотеку с открытым исходным кодом под названием TorchQuantum, которая содержит информацию об их проектах, руководствах и инструментах, которые могут использоваться другими исследовательскими группами.
Эта работа была поддержана Национальным научным фондом, MIT-IBM Watson AI Lab, Qualcomm Innovation Fellowship и Министерством энергетики США.
[ad_2]
Source