Forscher des RIKEN Center for Quantum Computing haben maschinelles Lernen genutzt, um eine Fehlerkorrektur für Quantencomputer durchzuführen – ein entscheidender Schritt, um diese Geräte praxistauglich zu machen – und nutzen dabei ein autonomes Korrektursystem, das trotz seiner Näherungswerte effizient bestimmen kann, wie die notwendigen Korrekturen am besten vorgenommen werden können.
Die Forschung wird in der Zeitschrift veröffentlicht Briefe zur körperlichen Untersuchung.
Im Gegensatz zu klassischen Computern, die mit Bits arbeiten, die nur die Grundwerte 0 und 1 annehmen können, arbeiten Quantencomputer mit „Qubits“, die jede Überlagerung der rechnerischen Basiszustände annehmen können. In Kombination mit der Quantenverschränkung, einer weiteren Quanteneigenschaft, die verschiedene Qubits über klassische Mittel hinaus verbindet, ermöglicht dies Quantencomputern die Durchführung völlig neuer Operationen, was zu potenziellen Vorteilen bei einigen Rechenaufgaben führt, beispielsweise bei groß angelegten Suchen, Optimierungsproblemen und Kryptographie.
Die größte Herausforderung bei der praktischen Umsetzung von Quantencomputern ergibt sich aus der äußerst fragilen Natur von Quantenüberlagerungen. Tatsächlich führen winzige Störungen, die beispielsweise durch die allgegenwärtige Präsenz einer Umgebung hervorgerufen werden, zu Fehlern, die Quantenüberlagerungen schnell zerstören und Quantencomputer infolgedessen an Leistungsfähigkeit verlieren.
Um dieses Hindernis zu überwinden, wurden ausgefeilte Methoden zur Quantenfehlerkorrektur entwickelt. Obwohl sie theoretisch die Auswirkungen von Fehlern erfolgreich neutralisieren können, gehen sie oft mit einem enormen Mehraufwand an Gerätekomplexität einher, der wiederum fehleranfällig ist und somit möglicherweise sogar die Fehleranfälligkeit erhöht. Infolgedessen ist eine umfassende Fehlerkorrektur bislang nicht möglich.
In dieser Arbeit nutzten die Forscher maschinelles Lernen bei der Suche nach Fehlerkorrekturschemata, die den Geräteaufwand minimieren und gleichzeitig eine gute Fehlerkorrekturleistung aufrechterhalten. Zu diesem Zweck konzentrierten sie sich auf einen autonomen Ansatz zur Quantenfehlerkorrektur, bei dem eine clever gestaltete, künstliche Umgebung die Notwendigkeit ersetzt, häufige Fehlererkennungsmessungen durchzuführen.
Sie befassten sich auch mit „bosonischen Qubit-Kodierungen“, die beispielsweise in einigen der derzeit vielversprechendsten und am weitesten verbreiteten Quantencomputer auf Basis supraleitender Schaltkreise verfügbar sind und genutzt werden.
Das Finden leistungsstarker Kandidaten im riesigen Suchraum bosonischer Qubit-Kodierungen stellt eine komplexe Optimierungsaufgabe dar, die die Forscher mit Reinforcement Learning angehen, einer fortschrittlichen Methode des maschinellen Lernens, bei der ein Agent eine möglicherweise abstrakte Umgebung erkundet, um seine Aktionspolitik zu lernen und zu optimieren.
Damit stellte die Gruppe fest, dass eine überraschend einfache, ungefähre Qubit-Kodierung nicht nur die Gerätekomplexität im Vergleich zu anderen vorgeschlagenen Kodierungen erheblich reduzieren konnte, sondern auch ihre Konkurrenten hinsichtlich ihrer Fähigkeit zur Fehlerkorrektur übertraf.
Yexiong Zeng, der Erstautor des Papiers, sagt: „Unsere Arbeit zeigt nicht nur das Potenzial für den Einsatz von maschinellem Lernen zur Quantenfehlerkorrektur, sondern könnte uns auch der erfolgreichen Implementierung der Quantenfehlerkorrektur in Experimenten einen Schritt näher bringen.“
Laut Franco Nori „kann maschinelles Lernen eine entscheidende Rolle bei der Bewältigung groß angelegter Quantenberechnungs- und Optimierungsherausforderungen spielen.“ Derzeit sind wir aktiv an einer Reihe von Projekten beteiligt, die maschinelles Lernen, künstliche neuronale Netze, Quantenfehlerkorrektur und Quantentechnologie integrieren Fehlertoleranz.“
Mehr Informationen:
Yexiong Zeng et al., Ungefähre autonome Quantenfehlerkorrektur mit Reinforcement Learning, Briefe zur körperlichen Untersuchung (2023). DOI: 10.1103/PhysRevLett.131.050601