Kohinan leikkausta ja hybridikäyttöä kvanttilaskennalle01.11.2021 Osakan yliopiston tieteellisen ja teollisen tutkimuksen instituutin (SANKEN) johtamat tutkijat ovat hyödyntäneet koneoppimista määrittämään kvanttibittien antotilan oikein ympäristön melusta huolimatta. "Kehittämämme luokittelija perustuu syvään neuroverkkoon joka mittaa tarkasti kubitin tilan jopa kohisevien signaalin läsnä olleessa," toteaa Takafumi Fujita. Koejärjestelmässä vain elektronit, joilla on tietty spinin suunta, voivat jättää kvanttipisteen. Kun näin tapahtuu, syntyy tilapäinen "kaikumerkki" kasvaneesta jännitteestä. Tutkijatiimi opetti koneoppimisalgoritmin poimimaan nämä signaalit kohinasta. Ryhmä testasi ensin luokittelijan kestävyyttä lisäämällä simuloitua kohinaa ja ajelehtimista. Sitten he kouluttivat algoritmin toimimaan ryhmästä kvanttipisteitä tulevan todellisten datan kanssa ja saavuttivat yli 95% tarkkuuden. Tutkimuksen tulokset voivat mahdollistaa suurten kubittimatriisien korkean tarkkuuden mittaamisen tulevissa kvanttitietokoneissa. Myös hybridialgoritmit voivat mukautua rajalliseen kubittien määrään ja virheenkorjauksen puuttumiseen todellisissa laskentatehtävissä Los Alamosin kansallinen laboratorio ja muut johtavat instituutiot eivät ole jääneet odottamaan täysin kypsiä kvanttitietokoneita, vaan ovat kehittäneet hybridejä klassisia/kvanttialgoritmeja ottaman irti parasta suorituskykyä ja mahdollisesti kvanttietua, nykypäivän kohisevasta ja virhealttiista laitteistosta. ”Kvanttitietokoneilla on lupaus ylittää klassiset tietokoneet tietyissä tehtävissä, mutta nykyisillä kvanttilaitteistoilla ei voi käyttää pitkiä algoritmeja. Niissä ympäristö tuottaa liikaa kohinaa mikä turmelee käsiteltävää informaatiota”, sanoo kvanttiaiheisiin erikoistunut fyysikko Marco Cerezo. ”Variaatiokvanttialgoritmien avulla saamme molempien maailmojen parhaat puolet. Voimme hyödyntää kvanttitietokoneiden voiman tehtäviin, joita klassiset tietokoneet eivät voi helposti tehdä ja sitten käyttää klassisia tietokoneita täydentämään kvanttilaitteiden laskentatehoa.” Tutkijat huomasivat, että voisimme muuttaa kiinnostavat ongelmat optimointiongelmiksi. Näitä ovat materiaalitieteen ja kvanttikemian simulaatiot, numeroiden factorointi, big-data-analyysi ja lähes kaikki kvanttitietokoneita varten ehdotetut sovellukset. Algoritmeja kutsutaan variaatioiksi, koska optimointiprosessi vaihtelee algoritmia lennossa, eräänlaisena koneoppimisena. Se muuttaa parametreja ja logiikkaportteja minimoidakseen kustannusfunktion, joka mittaa kuinka hyvin algoritmi on suorittanut tehtävän. Ongelma ratkaistaan, kun kustannustoiminto saavuttaa alimman mahdollisen arvon. Aiheesta aiemmin: |
Nanotekniikka on tulevaisuuden lupaus. Näillä sivuilla seurataan elektroniikkaa sekä tieto- ja sähkötekniikkaa sivuavia nanoteknisiä tiedeuutisia.