Tutkijat kehittivät menetelmän kvanttitietokoneiden mittaamiseen

Waterloon yliopiston tutkijat ovat kehittäneet menetelmän kvanttitietokoneiden suorituskyvyn mittaamiseen, ja se voisi auttaa luomaan yleisiä standardeja näille laitteille. 

Uusi menetelmä kutsutaan sykliseksi benchmarkingiksi, ja tutkijat käyttävät sitä arvioidakseen skaalautuvuuden potentiaalia. Menetelmää käytetään myös eri kvanttilaitteiden vertailuun toisiinsa nähden. 

Joel Wallman on apulaisprofessori Waterloon yliopiston matematiikan tiedekunnassa ja Kvanttilaskennan instituutissa.

“Tämä löytö voi edistää merkittävästi standardeja suorituskyvylle ja vahvistaa pyrkimyksiä rakentaa suurimittakaavainen, käytännöllinen kvanttitietokone”, Wallman sanoi. “Johdonmukainen menetelmä kvanttilaitteiden virheiden karakterisoinnille ja korjaamiselle tarjoaa standardin, jolla voidaan arvioida kvanttiprosessorin suorituskykyä, ja eri arkkitehtuureilla saavutettu edistys askel kohti voidaan verrata reilusti toisiinsa.”

Syklisen benchmarkingin avulla kvanttilaskennan käyttäjät voivat vertailla eri kilpailevia laitteita ja parantaa kunkin laitteen kykyä löytää ratkaisuja työhönsä.

Tällä hetkellä kvanttilaskennan kilpailu on kasvamassa ympäri maailmaa. Pilvipalvelujen kvanttilaskennan alustojen ja tarjoajien määrä kasvaa, ja suuret yritykset kuten Microsoft , IBM ja Google (GOOGL ) kehittävät jatkuvasti uutta teknologiaa. 

Syklisen benchmarkingin menetelmä toimii määrittämällä virheen kokonais todennäköisyyden annetuissa kvanttilaskenta sovelluksissa. Tämä tapahtuu, kun sovellus toteutetaan satunnaisen kokoamisen kautta. Syklisen benchmarkingin avulla voidaan mitata ja verrata kvanttiprosessoreiden kykyjä ensimmäistä kertaa alustojen yli, ja se on räätälöity sovellusten mukaan, joissa käyttäjät työskentelevät. 

Joseph Emerson on Kvanttilaskennan instituutin jäsen.

“Kiitos Googleen viimeaikaiselle saavutukselle kvanttitason ylittämisessä, olemme nyt siirtymässä siihen, mitä kutsun `kvanttilöytöaikakaudeksi'”, Emerson sanoi. “Tämä tarkoittaa, että virheherkkät kvanttitietokoneet toimittavat ratkaisuja mielenkiintoisiin laskentoongelmiin, mutta ratkaisujen laatu ei voi enää vahvistaa suorituskyvyltään korkeampien tietokoneiden avulla.

“Olemme innoissamme, koska syklisen benchmarkingin avulla on tarjolla tarvittava ratkaisu kvanttilaskennan parantamiseen ja vahvistamiseen tässä uudessa kvanttilöytöaikakaudessa.”

Emerson ja Wallman perustivat Quantum Benchmark Inc.:n, Kvanttilaskennan instituutin spin-offin. He lisensoivat teknologian maailman johtaville yrityksille kvanttilaskennan alalla, mukaan lukien Googleen Quantum AI -yritys.

Kvanttimekaniikka on muuttanut kvanttitietokoneet erittäin voimakkaiksi laskentakoneiksi. Kvanttitietokoneet pystyvät ratkaisemaan monimutkaisia ongelmia tehokkaammin kuin perinteiset tai digitaaliset tietokoneet. 

Kubiteista on kvanttitietokoneen peruslaskentayksikkö, mutta ne ovat erittäin haavoittuvia. Mikä tahansa virhe tai äänilähde järjestelmässä voi aiheuttaa virheitä, jotka johtavat virheellisiin ratkaisuihin kvanttilaskennassa.

Kvanttilaskennan edistymisen ensimmäinen askel on saavuttaa pien mittakaavan kvanttitietokone, jossa on yksi tai kaksi kubittia. Suurempi kvanttitietokone voisi suorittaa monimutkaisempia tehtäviä, kuten koneoppimista tai monimutkaisten järjestelmien simulaatiota, mikä voisi johtaa edistysaskeliin, kuten uusien lääkeaineiden löytämisessä. Ongelma on, että suuremman kvanttitietokoneen suunnittelu on haasteellisempaa, ja virheen mahdollisuus on suurempi, kun kubitteja lisätään ja kvanttiprosessori skaalautuu. 

Kun kvanttiprosessori karakterisoidaan, se tuottaa ääniprofiilin ja virheen. Tämä osoittaa, onko prosessori suorittamassa pyydettyjä laskentoja. Kaikki merkittävät virheet on karakterisoitava, jotta voidaan ymmärtää kvanttitietokoneen suorituskykyä tai skaalautuvuutta. 

Wallman, Emerson ja tutkijaryhmä Innsbruckin yliopistosta kehittivät menetelmän arvioida kaikkia virheluokkia, jotka vaikuttavat kvanttitietokoneeseen. Uusi tekniikka toteutettiin Innsbruckin yliopiston ioniloukku kvanttitietokoneessa, ja se osoitti, että virheluokat eivät kasva, kun kvanttitietokoneen koko skaalautuu. 

“Syklisen benchmarkingin avulla on ensimmäinen luotettava tapa tarkistaa, oletko oikealla tiellä kvanttitietokoneen suunnittelun skaalauttamiseksi”, Wallman sanoi. “Nämä tulokset ovat merkittäviä, koska ne tarjoavat kattavan tavan karakterisoida virheitä kaikissa kvanttilaskennan alustoissa.”