谷歌开发基于机器学习的量子纠错解码器
近期，googleDeepMind与googleQuantum AI构成的研究团队基于人工智能开发了一种名为AlphaQubit的量子纠错解码器。正在google“悬铃木”量子处置惩罚器的真实数据处置惩罚中，该解码器对码距为3和5的名义码解码机能优于其余最早进的解码器，而且经由过程数值摹拟显示，正在码距高达11时仍能坚持上风。该研究展示了机械进修使用于量子技能中的壮大后劲，为开发年夜范围容错量子计较机斥地了新的研究路子。该结果于11月20日颁发正在《天然》杂志上。© Nature 研究论文以《用于量子处置惩罚器的高精度不对解码的机械进修(Learning high-accuracy error decoding for quantum processors)》为题颁发于《天然》杂志量子处置惩罚器容易遭到情况以及其余来历的噪声滋扰而发生不对，经常使用的对策是哄骗冗余备份将信息编码正在逻辑量子比特中来改正物理量子比特的不对。完成量子纠错的一个要害应战是怎样解码不对，即经由过程检测定位到每个物理比特毕竟产生了甚么不对。此前，人们设计的诸如最小权重完善婚配等算法对某些类型不对的解码是有用的，但跟着量子比特数目的增长，噪声的影响变患上越发庞大，
近期，googleDeepMind与googleQuantum AI构成的研究团队基于人工智能开发了一种名为AlphaQubit的量子纠错解码器。正在google“悬铃木”量子处置惩罚器的真实数据处置惩罚中，该解码器对码距为3和5的名义码解码机能优于其余最早进的解码器，而且经由过程数值摹拟显示，正在码距高达11时仍能坚持上风。该研究展示了机械进修使用于量子技能中的壮大后劲，为开发年夜范围容错量子计较机斥地了新的研究路子。该结果于11月20日颁发正在《天然》杂志上。
© Nature 研究论文以《用于量子处置惩罚器的高精度不对解码的机械进修(Learning high-accuracy error decoding for quantum processors)》为题颁发于《天然》杂志
量子处置惩罚器容易遭到情况以及其余来历的噪声滋扰而发生不对，经常使用的对策是哄骗冗余备份将信息编码正在逻辑量子比特中来改正物理量子比特的不对。完成量子纠错的一个要害应战是怎样解码不对，即经由过程检测定位到每个物理比特毕竟产生了甚么不对。此前，人们设计的诸如最小权重完善婚配等算法对某些类型不对的解码是有用的，但跟着量子比特数目的增长，噪声的影响变患上越发庞大，传统的要领每每会碰到坚苦。
研究团队开发的AlphaQubit是一种应用机械进修来解决量子不对改正问题的量子纠错解码器，其体式格局与人类主导的要领有底子没有同。AlphaQubit没有依赖于不对产生的预约义模子，而是应用数据间接从量子体系中进修，顺应实际情况中庞大且不成预测的噪声。经由过程应用机械进修，AlphaQubit可以辨认传统要领可能纰漏的不对模式与联系关系，使其成为比现无方法更通用、更壮大的解决方案。
AlphaQubit基于transformer神经收集架构，这是一种机械进修模子，已胜利使用于从天然言语处置惩罚到图象辨认的一系列场景中。研究团队对AlphaQubit举行了两个阶段的训练：起首是正在合成数据上的训练，这使患上模子可以或许进修量子不对的基本布局，然后是正在悬铃木量子处置惩罚器真实试验数据上的训练；第二阶段使模子可以或许顺应现实硬件中碰到的特定噪声，从而普及其全体精度。
研究团队的要害立异正在于他们应用了软读出，这是一种从量子体系中提取摹拟信息而没有会过多滋扰体系的要领。正在传统的解码器中，丈量读取值要末是0，要末是1，软读出则供给了对于量子比特状况的更纤细的信息，这使患上AlphaQubit可以或许对是否产生不对和怎样改正不对做出更有依据的决议。
© Nature 正在量子计较机中，信息被编码正在逻辑量子比特里，此中包含存储数据的量子比特，和可以丈量（经由过程称为软读出的历程）以检测以及改正不对的帮助量子比特。然而，解码这些丈量值是具备应战性的，而且凡是应用模子举行。研究团队标明人工智能驱动的解码计谋可以促成量子纠错，其体式格局比人类设计的模子更精确，顺应性更强。
正在对真实数据以及摹拟数据举行测试时，该模子应用悬铃木处置惩罚器举行评价，并用于码距划分为3以及5的名义码中的不对解码，AlphaQubit显示出比现无方法较着的上风。
研究团队经由过程数值摹拟标明，AlphaQubit正在更年夜的量子体系中也能够失效，正在码距为11时仍能坚持精确性。间隔越年夜，每一个逻辑量子比特中触及的物理量子比特越多，纠错就越庞大。纵然面临包含串扰以及走漏正在内的年夜量噪声，AlphaQubit也优于现有的最早进要领。这一成果标明，机械进修可以比传统的报酬设计较法更好地处置惩罚实际世界量子噪声的庞大性。
AlphaQubit的焦点上风之一是从数据中进修的才能，使其可以或许顺应各类类型的量子硬件。这类顺应性关于仍处于晚期成长阶段的量子硬件尤其重要。没有同的量子处置惩罚器可能具备没有同的噪声特征，而AlphaQubit经由过程间接从试验数据中进修，可以针对每一个设备优化其机能，为纠错供给量身定制的解决方案，进而辅助量子计较机正在范围以及庞大性的一直增加中正确运转，放大现今容易堕落的量子设备与将来容错量子计较机之间的差距。
只管有这些使人印象粗浅的成果，逻辑不对率还需求进一步升高。抱负环境下，要运转包括数千或数百万次操作的庞大量子算法，每一一万亿次逻辑操作的不对不该凌驾一次。这需求进一步晋升AlphaQubit的解码时间以及正确性等机能，以餍足及时量子计较的需要。
此外，AlphaQubit的胜利标明，其余类型的机械进修模子也能够用于解决量子计较中的特定应战，这包含了优化量子电路和开发量子算法。这项研究展示了人工智能加强量子技能的气力，经由过程联合量子物理以及机械进修，这些立异可以开释量子范畴的真正后劲。
论文链接：
https://www.nature.com/articles/s41586-024-08148-8
报导链接：
微信扫一扫