Computadores quânticos de curto prazo, computadores quânticos desenvolvidos hoje ou em um futuro próximo, podem ajudar a resolver alguns problemas de forma mais eficaz do que os computadores clássicos. Uma aplicação potencial para esses computadores poderia ser em física, química e ciência dos materiais, para realizar simulações quânticas e determinar os estados fundamentais de sistemas quânticos.
Alguns computadores quânticos desenvolvidos nos últimos anos provaram ser bastante eficazes na execução de simulações quânticas. No entanto, as abordagens de computação quântica de curto prazo ainda são limitadas pelos componentes de hardware existentes e pelos efeitos adversos do ruído de fundo.

Pesquisadores da 1QB Information Technologies (1QBit), da Universidade de Waterloo e do Perimeter Institute for Theoretical Physics desenvolveram recentemente a mitigação de erros neurais, uma nova estratégia que pode melhorar as estimativas do estado fundamental obtidas usando simulações quânticas. Essa estratégia, apresentada em um artigo publicado na Nature Machine Intelligence , é baseado em algoritmos de aprendizado de máquina.

"Introduzimos a mitigação de erros neurais, que usa redes neurais para melhorar as estimativas de estados fundamentais e observáveis ​​de estado fundamental obtidos usando simulações quânticas de curto prazo", escreveram Elizabeth R. Bennewitz e seus colegas em seu artigo.

A mitigação de erros neurais (NEM), a nova estratégia concebida pelos pesquisadores, tem dois componentes ou etapas principais. Primeiro, a equipe usou uma técnica conhecida como tomografia de estado quântico neural (NQST) para treinar um chamado NQS ansalz para representar um estado fundamental aproximado preparado por um dispositivo quântico barulhento.

O NQST é uma abordagem de aprendizado de máquina que pode reconstruir o estado quântico complexo analisando um número limitado de medições coletadas experimentalmente. Posteriormente, Bennewitz e seus colegas usaram um algoritmo variacional de Monte Carlo (VMC) para melhorar a representação existente do estado fundamental desconhecido. O NQS ansalz usado em seus experimentos foi uma arquitetura transformadora, um modelo generativo de aprendizado de máquina que tem sido frequentemente usado para gerar textos em linguagem natural e processar imagens.

Finalmente, os pesquisadores testaram o desempenho de seu método de mitigação de erro neural em um problema de pesquisa real. Especificamente, eles testaram sua capacidade de identificar a função de onda do estado fundamental e a energia de hamiltonianos moleculares de fermionina interagindo com muitos corpos, o que é um passo essencial para executar simulações de correlações eletrônicas de uma molécula.

"Para demonstrar a ampla aplicabilidade do nosso método, empregamos mitigação de erros neurais para encontrar os estados fundamentais do H₂ e hamiltonianos moleculares LiH, bem como o modelo de treliça de Schwinger, preparado por meio do autosolver quântico variacional", escreveram os pesquisadores em seu artigo. alta fidelidade e estimativas precisas de observáveis ​​mais complexos, como parâmetros de ordem e entropia de emaranhamento, sem exigir recursos quânticos adicionais."

No futuro, a simulação de erro neural poderá ser usada para reduzir erros associados a ruído em simulações quânticas realizadas usando dispositivos de curto prazo. Isso pode ter implicações importantes para muitos campos de pesquisa, incluindo química, física e ciência dos materiais, pois pode levar a estimativas mais precisas ou novas descobertas perspicazes.

“A mitigação de erros neurais também é agnóstica em relação ao algoritmo de preparação de estado quântico usado, ao hardware quântico em que é implementado e ao canal de ruído específico que afeta o experimento, contribuindo para sua versatilidade como ferramenta para simulação quântica”, escreveram os pesquisadores em seu artigo. papel. + Explorar mais

O entrelaçamento desbloqueia o dimensionamento para aprendizado de máquina quântico

© 2022 Science X Network