A kvantumszámítógépek hatékonysága is javítható mesterséges intelligenciával

Támogasd a tudomány népszerűsítését, segítsd a munkánkat!

Az Oszakai Egyetem Tudományos és Ipari Kutatóintézete gépi tanulásra képes mesterségesintelligencia-megoldást fejlesztett. Az úgynevezett mesterséges neurális hálózattal (artificial neural network) a kutatók a környezeti zajtól függetlenül is meg tudták jósolni egy kvantumszámítógép kimeneti kvantumbitjeinek várható pozícióját. A szakértők szerint az új megközelítés nagy lökést adhat a kvantumszámítógépek szélesebb körű elterjedésének.

Noha a modern számítógépek bináris logikát használnak – azaz minden bit leírható egyesekkel és nullákkal –, a kvantummechanika sajátosságainak köszönhetően a kvantumrendszerek megvalósíthatják a szuperpozíció állapotát: ilyenkor a kvantumbitek (qubit) egyszerre létezhetnek egyes és nullás pozícióban. A kvantumpontokba sűrűsödő elektronoknak ilyenkor két irány-orientációjuk is lehet, míg a kiolvasáskor a kvantumbitek orientációja ismét egyirányú lesz.

A kvantumrendszerek megbízható használatához a kvantumbitek lehető legpontosabb kiolvasására van szükség, de ezt megnehezítik a számítás közben fellépő, a jelben felbukkanó zajok (noise).

A DNN osztályozó (classifier) architektúrája.Fotó: Phys.org

A SANKEN kutatói egy gépi tanulási mesterségesintelligencia-megoldással, a mesterséges neurális hálózattal elkülönítették a jelet a kvantumpontokban található elektronok spinjének zajától, hogy a lehető legpontosabb eredményt kapják.

„Létrehoztunk egy mély neurális hálózatra épülő osztályozót, hogy a zajos szignálok kvantumbit-pozícióját is pontosan mérhessük meg.”

írta Fudzsita Takamufi, a tanulmány társszerzője.

Kvantumbit-spin egy félvezetőn, az elkülönített jellel.Fotó: Yuta Matsumoto

A SANKEN kutatóinak kísérleti rendszerében csak bizonyos elektronspinek hozhattak létre kvantumpontokat; ez időben rövid feszültségbeli növekedéshez vezetett. A kutatók arra képezték ki a gépi tanulási algoritmust, hogy elkülönítsék ezeket a kis kiugrási jeleket a zajtól. A mély tanulási rendszer egy konvolúciós hálózatot használt a jel fontos karakterisztikáinak azonosításához; ezt egy rekurrens neurális hálózattal kombinálták, hogy figyelhessék az idősoros adatokat.

„A megközelítésünk leegyszerűsítette a tanulási folyamatot, mivel könnyen alkalmazkodott az erős interferenciához, ami a helyzet függvényében változhatott.”

írta Oiwa Akira, a tanulmány vezető szerzője.

Az eljárás használhatóságát a fejlesztők szélsőséges tűrésteszteknek is alávetették: ezek során szimulált zajt kevertek a jelhez, majd arra képezték ki az algoritmust, hogy létező kvantumpontokból származó adatok alapján ismerje fel a jeleket. A rendszer hatékonysága a teszt során meghaladta a 95 százalékot.

A zaj robosztussága a DNN osztályozás során.Fotó: Yuta Matsumoto

A kutatók remélik, hogy az új kísérleti eredményeket nagy pontosságú és mennyiségű kvantumbit azonosítására használhatják a jövőben megjelenő kvantumszámítógépeken.

Kapcsolódó cikkek a Qubiten: