Лента TH Новости Искусственный интеллект


Искусственный интеллект корректирует квантовые ошибки

∴ 155

Физики успешно применили алгоритм машинного обучения, что способен учиться на своем опыте, к одной из самых больших проблем, с которыми в настоящее время сталкиваются квантовые вычисления.

776

Квантовая коррекция ошибок является важным элементом для разработки ПО квантовых компьютеров. Сегодня, это один из ключевых параметров, что используется для разработки протоколов квантовых вычислений. В новом исследовании ученые продемонстрировали, что тип нейронной сети, называемой машиной Больцмана, можно обучить моделированию ошибок в протоколе квантовых вычислений, а затем разработать и реализовать лучший метод для их исправления.

Физики, Джакомо Торлай и Роджер Г. Мелько из Университета Ватерлоо и Института теоретической физики опубликовали статью о новом алгоритме машинного обучения.

Идея, лежащая в основе нейронного декодирования, заключается в том, чтобы обойти процесс построения алгоритма декодирования для конкретной реализации кода и позволить нейронной сети научиться выполнять восстановление непосредственно из необработанных данных, полученных простыми измерениями кода. Благодаря недавним достижениям в области квантовых технологий и появлению бума квантовых устройств, в ближайшем будущем нейронные декодеры смогут анализировать различные архитектуры, а также различные источники помех.Джакомо Торлай в интервью Phys.org.

Как объясняют исследователи, машина Больцмана является одним из простейших видов стохастических искусственных нейронных сетей и может использоваться для анализа широкого спектра данных. Нейронные сети обычно извлекают функции и шаблоны из необработанных данных, которые в этом случае представляют собой набор данных, содержащий возможные ошибки, которые могут затронуть квантовые состояния.

Как только новый алгоритм, который физики называют нейронным декодером, обучается анализу этих данных, он может построить точную модель распределения вероятностей ошибок. С помощью этой информации нейронный декодер может генерировать соответствующие цепи ошибок, которые затем могут быть использованы для восстановления правильных квантовых состояний.

Исследователи протестировали нейронный декодер на квантовых топологических кодах, которые обычно используются в квантовых вычислениях, и продемонстрировали, что алгоритм относительно прост в реализации. Другим преимуществом нового алгоритма является то, что он не зависит от конкретной геометрии, структуры или размера данных, что позволяет использовать его в широком круге проблем.

В будущем физики планируют изучить различные способы улучшения работы алгоритма, например, путем синтеза нескольких машин Больцмана для создания сети с более глубокой структурой. Исследователи также планируют применять нейронный декодер к более сложным, кодам.

Филипп Дончев