Forskere opretter nyt algoritme til verificering af kvanteenheder

Forskere fra University of Tokyo har brugt maskinlæring til at oprette en ny algoritme, der muliggør en effektiv og præcis verificering af kvanteenheder. Teknologier, der afhænger af nye kvantemekaniske egenskaber, bliver mere og mere populære, og de kræver verificering på grund af indre usikkerheder.

Forskningen blev offentliggjort i APS Physics.

Et kvanteinternet

De fleste eksperter betragter kvantecomputere som stadig værende i deres tidlige udviklingsstadier, men et kvanteinternet er mere avanceret og tættere på nutiden. For at opnå dette vil der være behov for meget mere forskning og udvikling af mange flere værktøjer til design af kvanteenheder.

En af disse vigtige værktøjer er algoritmen, der verificerer kvanteenheder. Den blev udviklet af postdoc-forsker Quoc Hoan Tran og lektor Kohei Nakajima fra Graduate School of Information Science and Technology på University of Tokyo.

Ifølge forskerne kan enheden gøre verificeringen af kvanteenheders opførsel mere effektiv og præcis. Algoritmen kan genskabe virkningen af en tidsafhængig kvanteenhet, og den gør dette ved at lære relationen mellem kvantebidrag og -output.

“Teknikken til at beskrive et kvantesystem baseret på dets input og output kaldes kvanteprocess-tomografi,” sagde Tran. “Men mange forskere rapporterer nu, at deres kvantesystemer viser en form for hukommelseseffekt, hvor nuværende tilstande påvirkes af tidligere. Dette betyder, at en simpel inspektion af input- og outputtilstande ikke kan beskrive systemets tidsafhængige natur. Du kunne modellere systemet gentagne gange efter hver ændring i tiden, men dette ville være ekstremt beregningsineffektivt. Vores mål var at omfavne denne hukommelseseffekt og bruge den til vores fordel i stedet for at bruge brut force til at overvinde den.”

Opbygning af algoritmen

For at opbygge algoritmen brugte holdet maskinlæring og en teknik kaldet kvantereservoir-computing. Ved at lære input og output, der ændrer sig over tid i et kvantesystem, kan den gætte, hvordan mønstrene vil ændre sig. Den kan gøre disse forudsigelser, selv i situationer, der endnu ikke er set.

“For nu kan vores algoritme emulerer en bestemt type kvantesystem, men hypotetiske enheder kan variere meget i deres behandlingskapacitet og have forskellige hukommelseseffekter. Så det næste skridt i forskningen vil være at udvide vores algoritmers kapaciteter, grundlæggende at gøre noget mere generelt formål og dermed mere nyttigt,” sagde Tran. “Jeg er begejstret for, hvad kvantemaskinlæringsmetoder kunne gøre, af de hypotetiske enheder, de måske kan føre til.”