01
А
Астрономия
02
Б
Биология
03
Г
Гуманитарные науки
04
М
Математика и CS
05
Мд
Медицина
06
Нз
Науки о Земле
07
С
Сельское хозяйство
08
Т
Технические науки
09
Ф
Физика
10
Х
Химия и науки о материалах
Технические науки
16 августа

Машинное обучение поможет справиться с квантовыми ошибками

Varsha Y S/Wikimedia Commons

Физики использовали алгоритмы машинного обучения, чтобы корректировать квантовые ошибки — одну из наибольших трудностей в современных квантовых вычислениях. В новой работе ученые продемонстрировали, что особый тип нейросетей под названием «машина Больцмана» можно научить смоделировать ошибки в протоколах квантовых вычислений, а затем разработать и применить метод их коррекции. Статья опубликована в Physical Review Letters.

«Идея декодирования нейросетью состоит в том, что мы таким образом пытаемся избавиться от необходимости создания декодирующего алгоритма для конкретной реализации кода, вместо этого предоставляя нейросети возможность обучиться прямо на "сырых" данных, полученных простыми измерениями, — говорит соавтор работы Джакомо Торлаи из канадского Института теоретической физики Периметр. — Учитывая недавние достижения в квантовых технологиях и приближающуюся доступность квантовых устройств, нейросетевые декодеры будут востребованы благодаря тому, что смогут приспособиться как к различным архитектурам, так и к различным источникам помех».

Машина Больцмана — одна из наиболее простых стохастических (случайных) искусственных нейросетей, при этом ее можно использовать для анализа различных данных. Нейросети могут извлекать соответствующую шаблону информацию, в данном случае — набор возможных ошибок квантовых состояний. Когда алгоритм хорошо «натренирован», он может точно моделировать распределение вероятностей ошибок. Используя это знание, можно восстановить правильные значения квантовых состояний.

Авторы протестировали нейросетевой декодер на распространенных квантовых топологических кодах и показали, что алгоритм достаточно просто использовать. К другим преимуществам нового подхода можно отнести то, что для алгоритма неважно, в каком виде представлены данные, что позволяет использовать его для широкого спектра задач.

«Пока что мы применили нейросетевые декодеры только к простым кодам, — поясняет Торлаи. — Первым направлением развития было бы вычисление коррекций ошибок в случае кодов, для которых еще не придумали эффективных декодеров, таких как коды с малой плотностью проверок на четность. В дальней перспективе, я думаю, нейросетевое декодирование будет играть важную роль при работе с большими квантовыми системами».

Комментарии

Все комментарии
Обсуждаемое