Forskere utvikler ny algoritme for å verifisere kvantedevicer

Forskere ved Universitetet i Tokyo har brukt maskinlæring til å utvikle en ny algoritme som muliggjør effektiv og nøyaktig verifisering av kvantedevicer. Teknologier som baserer seg på nye kvantemekaniske egenskaper blir stadig mer populære, og de krever verifisering på grunn av innebygde usikkerheter.

Forskningen ble publisert i APS Physics.

Et kvanteinternett

De fleste eksperter mener at kvantecomputere fortsatt er i tidlige utviklingsfaser, men et kvanteinternett er mer avansert og nærmere virkeligheten. For å oppnå dette, vil det være nødvendig med mye mer forskning og utvikling av mange flere verktøy for design av kvantedevicer.

Et av disse viktige verktøyene er algoritmen som verifiserer kvantedevicer. Den ble utviklet av postdoktoranden Quoc Hoan Tran og associate professor Kohei Nakajima fra Graduate School of Information Science and Technology ved Universitetet i Tokyo.

Ifølge forskerne kan enheten gjøre verifiseringen av kvantedevicenes atferd mer effektiv og nøyaktig. Algoritmen kan rekonstruere virkemåten til en tid-avhengig kvantedevice, og den gjør dette ved å lære relasjonen mellom kvantetingangene og -utgangene.

“Teknikken for å beskrive et kvantesystem basert på inngang og utgang kalles kvanteprosesstomografi,” sa Tran. “Men mange forskere rapporterer nå at deres kvantesystemer viser noen form for minneeffekt hvor nåværende tilstander påvirkes av tidligere. Dette betyr at en enkel inspeksjon av inngang og utgangstilstander ikke kan beskrive den tid-avhengige naturen til systemet. Du kunne modellere systemet gjentatte ganger etter hver endring i tid, men dette ville være ekstremt datamaskinelt ineffektivt. Vårt mål var å omfavne denne minneeffekten og bruke den til vår fordel i stedet for å bruke brutt kraft for å overvinne den.”

Konstruksjon av algoritmen

For å konstruere algoritmen, brukte teamet maskinlæring og en teknikk kjent som kvantereservoarregning. Ved å lære inngang og utgang som endrer seg over tid i et kvantesystem, kan den gjette hvordan mønsterene vil endre seg. Den kan gjøre disse forutsigelsene selv i situasjoner som ennå ikke er vitnet.

“For øyeblikket kan vår algoritme emulere en bestemt type kvantesystem, men hypotetiske enheter kan variere mye i deres prosesseringsEvne og ha forskjellige minneeffekter. Så det neste stadiet av forskning vil være å utvide kapasiteten til våre algoritmer, i praksis å lage noe mer generelt og dermed mer nyttig,” sa Tran. “Jeg er spennende på hva kvantemaskinlæringsmetoder kunne gjøre, hva de hypotetiske enhetene de måtte føre til.”