Нейросетевой декодер может уменьшить квантовые ошибки в 17 раз
Одним из главных препятствий на пути появления масштабируемых квантовых компьютеров является необходимость исправления вычислительных ошибок. Группа американских ученых обнаружила «каскадный» эффект при исправлении ошибок, при котором ошибки уменьшаются быстрее, чем ожидалось. Модель обеспечивает скорость обработки в микросекундном масштабе и повышает производительность за счет параллельной пакетной обработки. Развитие предполагает, что для надежных квантовых вычислений может потребоваться меньше кубитов.
Надежная работа квантовых компьютеров требует защиты кубитов от ошибок. Однако сами системы коррекции требуют большого количества физических кубитов и быстрых классических вычислений. Декодер сверточной нейронной сети, созданный исследователями из Гарвардского университета, обучен интерпретировать шаблоны ошибок непосредственно из данных, используя структуру, отражающую геометрию кода. Это позволяет распознавать как простые, так и сложные конфигурации ошибок и более эффективно применять исправления.
В бенчмарк-тестах модель показала, что частота логических ошибок — ошибок, влияющих на результат вычислений, — на порядок ниже, чем у обычно используемых методов декодирования. В одном из тестов частота логических ошибок сократилась в 17 раз, а в зависимости от метода сравнения – в несколько тысяч раз. Кроме того, в определенных конфигурациях он обрабатывает данные в тысячи и даже в 100 000 раз быстрее, сообщает The Quantum Insider.
Кроме того, ученым удалось выявить так называемый «каскадный эффект», который показывает, что частота ошибок снижается гораздо быстрее, чем предсказывают традиционные модели. Это открытие предполагает, что квантовым компьютерам может потребоваться примерно на 40% меньше кубитов, чем считалось ранее, для достижения полезной производительности.
Каскад обеспечивает задержку одного кубита в десятки микросекунд на современных графических процессорах и даже быстрее при пакетной обработке. Эти темпы укладываются в бюджеты некоторых квантовых платформ (например, ионных ловушек и нейтральных атомов). Более быстрые системы (сверхпроводящие кубиты) могут потребовать дополнительной оптимизации или специального оборудования.
Как и любой другой метод машинного обучения, декодер нейронной сети не предлагает таких же теоретических гарантий, как традиционные методы: он учится на данных и может давать сбои в случае редких или неожиданных закономерностей. Однако никаких сбоев в тестируемом диапазоне авторы не наблюдали. Еще одним ограничением является размер модели: маленькие нейронные сети работают плохо, а большие требуют больших вычислительных затрат. Реальные квантовые системы могут давать дополнительную изменчивость.
Авторы предлагают рассматривать декодирование как неотъемлемую часть архитектуры, а не как отдельный компонент. Экспериментальные платформы недавно достигли уровней физических ошибок, близких к уровням, при которых каскадный эффект становится значительным. Если результаты подтвердятся на практике, отказоустойчивые квантовые компьютеры могут появиться раньше.
Все важное из мира технологий прямо на ваш почтовый ящик.
Подписываясь, вы принимаете наши Условия и Политику конфиденциальности. Вы можете отказаться от подписки одним щелчком мыши в любое время.
