Forskare skapar ny algoritm för att verifiera kvantenheter

Forskare vid Tokyos universitet har använt maskinlärning för att skapa en ny algoritm som möjliggör en effektiv och exakt verifiering av kvantenheter. Teknologier som bygger på nya kvantmekaniska beteenden blir alltmer populära och kräver verifiering på grund av inneboende osäkerheter.

Forskningen publicerades i APS Physics.

En kvantinternet

De flesta experter anser att kvantdatorer fortfarande är i sin linda, men en kvantinternet är mer avancerad och närmare verkligheten. För att detta ska uppnås krävs det mycket mer forskning och utveckling av många fler verktyg för design av kvantenheter.

Ett av dessa viktiga verktyg är algoritmen som verifierar kvantenheter. Den utvecklades av postdoktoranden Quoc Hoan Tran och associate professor Kohei Nakajima från Graduate School of Information Science and Technology vid Tokyos universitet.

Enligt forskarna kan enheten göra verifieringen av kvantenheters beteende mer effektiv och exakt. Algoritmen kan rekonstruera funktionssättet hos en tidsberoende kvantenhet, och den gör detta genom att lära sig sambandet mellan kvantindata och kvantutdata.

“Tekniken för att beskriva ett kvantsystem baserat på dess indata och utdata kallas kvantprocessomografi”, sa Tran. “Men många forskare rapporterar nu att deras kvantsystem uppvisar någon form av minneseffekt, där nuvarande tillstånd påverkas av tidigare. Detta innebär att en enkel inspektion av indata- och utdata tillstånd inte kan beskriva det tidsberoende sättet som systemet fungerar på. Man kunde modellera systemet upprepade gånger efter varje förändring i tiden, men detta skulle vara extremt beräkningsineffektivt. Vårt mål var att omfamna denna minneseffekt och använda den till vår fördel snarare än att använda brutalt tvång för att övervinna den.”

Att konstruera algoritmen

För att konstruera algoritmen använde teamet maskinlärning och en teknik som kallas kvantreservoarberäkning. Genom att lära sig indata och utdata som ändras över tiden i ett kvantsystem kan den gissa hur mönstren kommer att ändras. Den kan göra dessa förutsägelser även i situationer som ännu inte har observerats.

“För närvarande kan vår algoritm emulera en viss typ av kvantsystem, men hypotetiska enheter kan variera mycket i sin bearbetningsförmåga och ha olika minneseffekter. Så den nästa forskningssteget kommer att vara att bredda algoritmernas förmågor, i princip skapa något mer allmänt och därmed mer användbart”, sa Tran. “Jag är spänd på vad kvantmaskinlärningsmetoder kan göra, på de hypotetiska enheter de kan leda till.”