Метод машинного обучения генерирует синтез схем для квантовых вычислений

Важные новости

Метод машинного обучения генерирует синтез схем для квантовых вычислений

Метод, разработанный в Университете Инсбрука, создает квантовые схемы на основе пользовательских спецификаций и с учетом особенностей квантового оборудования, на котором схема будет работать. Фото: Харальд Ритч, Университет Инсбрука

Исследователи из Университета Инсбрука представили новый метод подготовки квантовых операций на заданном квантовом компьютере, используя генеративную модель машинного обучения для поиска подходящей последовательности квантовых вентилей для выполнения квантовой операции. .

Исследование, недавно опубликованное в журнале Nature Machine Intelligence, знаменует собой значительный шаг вперед в реализации полного потенциала квантовых вычислений.

Генеративные модели, такие как модели диффузии, являются одной из наиболее важных последних разработок в области машинного обучения (ML), а такие модели, как Stable Diffusion и DALL·E, совершают революцию в области генерации изображений. Эти модели способны создавать изображения высокого качества на основе текстового описания.

«Наша новая модель программирования квантовых компьютеров делает то же самое, но вместо генерации изображений она генерирует квантовые схемы на основе текстового описания выполняемой квантовой операции», — объясняет Горка Муоз-Гил с кафедры теоретической физики Инсбрукский университет, Австрия.

Чтобы подготовить определенное квантовое состояние или выполнить алгоритм на квантовом компьютере, необходимо найти подходящую последовательность квантовых вентилей для выполнения таких операций. Хотя в классических вычислениях это довольно легко, в квантовых вычислениях это представляет собой большую проблему из-за особенностей квантового мира.

В последнее время многие ученые предложили методы построения квантовых схем, многие из которых полагаются на методы МО. Однако обучение этих моделей МО часто бывает очень трудным из-за необходимости моделирования квантовых схем по мере обучения машины. Модели диффузии позволяют избежать таких проблем благодаря способу их обучения.

«Это дает огромное преимущество», — объясняет Муоз-Гил, который разработал новый метод вместе с Хансом Дж. Бригелем и Флорианом Фюрруттером. «Более того, мы показываем, что модели диффузии с шумоподавлением точны при создании, а также очень гибки, позволяя создавать схемы с различным количеством кубитов, а также типами и количеством квантовых вентилей».

Модели также могут быть адаптированы для подготовки схем, учитывающих возможности подключения квантового оборудования, то есть то, как кубиты соединяются в квантовом компьютере. «Поскольку создание новых схем после обучения модели обходится очень дешево, ее можно использовать для открытия новых идей об интересующих квантовых операциях», — говорит Муоз-Гил.

Метод, разработанный в Университете Инсбрук производит квантовые схемы на основе пользовательских спецификаций и с учетом особенностей квантового оборудования, на котором будет работать схема. Это знаменует собой значительный шаг вперед в раскрытии всех возможностей квантовых вычислений.

Дополнительная информация: Флориан Фюрруттер и др., Синтез квантовых схем с помощью диффузионных моделей, Природный машинный интеллект (2024 г.). DOI: 10.1038/s42256-024-00831-9

Информация журнала: Nature Machine Intelligence Предоставлено Инсбрукским университетом

Новости сегодня

Последние новости