นักวิจัยสร้างอัลกอริทึมใหม่สำหรับการยืนยันความถูกต้องของอุปกรณ์ควอนตัม

นักวิจัยจากมหาวิทยาลัยโตเกียวได้ใช้เทคนิคการเรียนรู้ของเครื่องจักรเพื่อสร้างอัลกอริทึมใหม่ที่สามารถยืนยันความถูกต้องของอุปกรณ์ควอนตัมได้อย่างมีประสิทธิภาพและแม่นยำ เทคโนโลยีที่พึ่งพากระบวนการควอนตัมใหม่ๆ กำลังได้รับความนิยมมากขึ้น และต้องการการยืนยันความถูกต้องเนื่องจากมีความไม่แน่นอนโดยธรรมชาติ

การวิจัยนี้ได้รับการตีพิมพ์ใน APS Physics.

อินเทอร์เน็ตควอนตัม

ผู้เชี่ยวชาญส่วนใหญ่ถือว่าคอมพิวเตอร์ควอนตัมยังคงอยู่ในช่วงแรกของการพัฒนา แต่อินเทอร์เน็ตควอนตัมมีความก้าวหน้าและใกล้กับปัจจุบันมากขึ้น เพื่อให้บรรลุเป้าหมายนี้ จะต้องมีการวิจัยและพัฒนาอุปกรณ์ควอนตัมอีกมากมาย

หนึ่งในเครื่องมือสำคัญเหล่านี้คืออัลกอริทึมที่ยืนยันความถูกต้องของอุปกรณ์ควอนตัม ซึ่งได้รับการพัฒนาโดยนักวิจัยหลังปริญญาเอก Quoc Hoan Tran และรองศาสตราจารย์ Kohei Nakajima จากโรงเรียนสาขาวิทยาศาสตร์และเทคโนโลยีสารสนเทศแห่งมหาวิทยาลัยโตเกียว

ตามที่นักวิจัยระบุ อุปกรณ์นี้สามารถทำให้การยืนยันความถูกต้องของอุปกรณ์ควอนตัมมีประสิทธิภาพและแม่นยำมากขึ้น อัลกอริทึมสามารถสร้างแบบจำลองการทำงานของอุปกรณ์ควอนตัมที่ขึ้นอยู่กับเวลาได้ และทำสิ่งนี้โดยการเรียนรู้ความสัมพันธ์ระหว่างอินพุตและเอาต์พุตของควอนตัม

“เทคนิคในการอธิบายระบบควอนตัมตามอินพุตและเอาต์พุตเรียกว่าควอนตัมโปรเซสทอมوگرาฟี” Tran กล่าว “อย่างไรก็ตาม นักวิจัยหลายคนรายงานว่าระบบควอนตัมของพวกเขามีผลกระทบของความจำบางอย่าง โดยที่สถานะปัจจุบันถูกกำหนดโดยสถานะก่อนหน้า ซึ่งหมายความว่าการตรวจสอบอินพุตและเอาต์พุตเพียงอย่างเดียวไม่สามารถอธิบายธรรมชาติที่ขึ้นอยู่กับเวลาของระบบได้ คุณสามารถสร้างแบบจำลองระบบซ้ำๆ หลังจากการเปลี่ยนแปลงแต่ละครั้ง แต่นี่จะเป็นการคำนวณที่มีประสิทธิภาพต่ำมาก เป้าหมายของเราคือการยอมรับผลกระทบของความจำและใช้ประโยชน์จากมันแทนการใช้กำลังในการเอาชนะมัน”

การสร้างอัลกอริทึม

เพื่อสร้างอัลกอริทึม ทีมงานได้ใช้เทคนิคการเรียนรู้ของเครื่องจักรและเทคนิคที่เรียกว่าควอนตัมเรซERVOIRคอมพิวติ้ง โดยการเรียนรู้อินพุตและเอาต์พุตที่เปลี่ยนแปลงตามเวลาในระบบควอนตัม อัลกอริทึมสามารถเดาได้ว่ารูปแบบจะเปลี่ยนแปลงไปอย่างไร และสามารถทำการคาดการณ์เหล่านี้ได้แม้ในสถานการณ์ที่ยังไม่เกิดขึ้น

“ปัจจุบัน อัลกอริทึมของเราสามารถจำลองระบบควอนตัมได้ แต่อุปกรณ์สมมุติอาจมีความสามารถในการประมวลผลที่แตกต่างกันและผลกระทบของความจำที่แตกต่างกัน ดังนั้นขั้นตอนต่อไปของการวิจัยจะขยายความสามารถของอัลกอริทึมของเรา โดยสร้างสิ่งที่มีจุดประสงค์ทั่วไปและเป็นประโยชน์มากขึ้น” Tran กล่าว “ฉันรู้สึกตื่นเต้นเกี่ยวกับสิ่งที่วิธีการเรียนรู้ของเครื่องจักรควอนตัมสามารถทำได้ และอุปกรณ์สมมุติที่อาจนำไปสู่สิ่งเหล่านั้น”