Немецкие физики разработали автоэнкодер для очистки квантовых данных от шума. Используя построенную нейросеть, ученые успешно продемонстрировали очищение малокубитного сильнозапутанного состояния. Работа опубликована в журнале Physical Review Letters.
Машинное обучение — это мощный инструмент работы с данными, особенно когда данных становится много. Некоторые метод машинного обучения позволяют выявить важные закономерности в данных. Одним из популярных методов являются нейросети автоэнкодеры. Например, они использовались для выделения пения птиц в лесу.
В то же время квантовые вычисления, оперирующие хрупкими запутанными квантовыми состояниями, могут превзойти классические вычисления в ряде задач, таких как моделирование физических систем или факторизации огромных чисел. Больше про возможности квантовых вычислений читайте в нашем материале «Квантовая азбука». Однако, сегодняшние квантовые компьютеры довольно шумные, и этот шум портит запутанность, что ведет к сильному понижению эффективности квантовых устройств. Одним из перспективных решений является применения методов машинного обучения к квантовым вычислениям с целью очищения квантовых данных от шума. Более подробно про это рассказано в мини-лекции физика Сергея Филиппова на ПостНауке:
Физики Дмитро Бондаренко (Dmytro Bondarenko) и Полина Фельдман (Polina Feldmann) из Университета Лейбница предложили применять автоэнкодеры к сильнозапутнным квантовым состояниям для того, чтобы сохранить запутанность даже при высоком уровне шума. Для этого ученые предложили сопоставить каждому кубиту нейрон в автоэнкодоре с прямой связью, архитектура которого позволяет выявить вклад шума в квантовое состояние кубитов.
В качестве примера физики рассмотрели четырехкубитное запутанное состояния Гринберга-Хорна-Цайлингера, которое определяется как суперпозиция состояний «все кубиты 0» и «все кубиты 1». Это состояние важно в квантовых вычислениях и метрологии, чья эффективность зависит от качества запутанности. В роли модели шума ученые рассматривали два процесса: случайный переброс кубитов из нуля в единицу и наоборот и применение случайного унитарного преобразования ко всем кубитам. В результате физики обнаружили, что при правильном подборе архитектуры автоэнкодера возможно избавиться от этих ошибок, при условии, что ошибки малы. К счастью, в современных квантовых компьютерах это условие выполняется хорошо.
Для обучения автоэнкодера ученые использовали 200 пар специально зашумленных квантовых состояний и применяли метод градиентного спуска. Помимо состояний Гринберга-Хорна-Цайлингера физики рассмотрели и другие запутанные состояния, такие как W-состояния. Нейросеть эффективно избавлялась от шума и в этом случае.
Однако, более крупные запутанные состояния потребуют более глубоких сетей. Число квантовых операций, необходимых для одного автоэнкодера, растет экспоненциально с количеством кубитов. Ученые пишут, что экспоненциального масштабирования можно избежать, например, используя разряженные нейросети. Ранее мы писали о другой архитектуре квантовой нейросети, которая позволяет сильно сократить число кубитов.
Михаил Перельштейн