Dois pesquisadores da Université de Sherbrooke, no Canadá, desenvolveram e treinaram recentemente decodificadores de propagação de crença neural (BP) para códigos quânticos de verificação de paridade de baixa densidade (LDPC). Seu estudo, descrito em um artigo publicado na Physical Review Letters, sugere que o treinamento pode melhorar o desempenho dos decodificadores BP significativamente, ajudando a resolver problemas que são comumente associados à sua aplicação na pesquisa quântica.

"Dez anos atrás, Escrevi um artigo com Yeojin Chung explicando como algoritmos de decodificação padrão para códigos LDPC, que são amplamente usados ​​na comunicação clássica, falharia na configuração quântica, "David Poulin, um dos pesquisadores que realizou o estudo, disse a Phys.org. "Este problema tem me obcecado desde então. Recentemente, as pessoas começaram a investigar o uso de redes neurais para decodificar códigos quânticos, mas todos eles se concentraram em um problema (decodificar códigos topológicos) que já tinha uma série de boas soluções projetadas por humanos. Esta foi a ocasião perfeita para revisitar meu problema aberto favorito e usar redes neurais para decodificar códigos quânticos que não tinham nenhum decodificador conhecido anteriormente. "

Embora os decodificadores BP sejam comumente aplicados em uma variedade de configurações, até agora, eles provaram ser inadequados para decodificar códigos de correção de erros quânticos. Isso se deve a um recurso quântico único conhecido como 'degenerescência do erro, "o que significa essencialmente que existem várias maneiras de corrigir um erro nas configurações quânticas.

Os algoritmos clássicos de BP consistem em três equações simples. A estrutura dessas equações permite um mapeamento exato para uma rede neural feed-forward. Em outras palavras, é possível reinterpretar as equações BP comumente usadas para decodificar códigos LDPC como descrevendo a configuração inicial de uma rede neural.

Pesquisas anteriores descobriram que esta 'rede neural inicial' não funciona bem em configurações quânticas, apesar de alcançar um melhor desempenho do que as redes neurais aleatórias. Em seu estudo, Poulin e seu colega Ye-Hua Liu melhoraram o desempenho da 'rede neural inicial' treinando-a com dados gerados por simulações numéricas.

"O treinamento é guiado por uma função alvo que leva em consideração os efeitos quânticos, "Liu disse ao Phys.org." De um modo geral, os decodificadores neurais têm a vantagem de serem adaptáveis ​​a estatísticas de ruído arbitrárias em canais realistas. Além disso, nosso método é aplicável a códigos LDPC quânticos sem estruturas regulares de rede. Esses códigos são muito promissores para realizar a correção de erros quânticos de baixa sobrecarga. "

Os pesquisadores descobriram que treinar os decodificadores neurais de BP usando a técnica que eles adotaram melhorou seu desempenho, para todas as famílias de códigos LDPC que testaram. Além disso, a técnica de treinamento que eles usaram pode ajudar a resolver o problema de degenerescência que geralmente prejudica a decodificação de códigos LDPC quânticos.

"Treinar a rede neural BP pode melhorar significativamente seu desempenho para correção de erros quânticos, o que significa que um algoritmo clássico pode ser adaptado à configuração quântica por métodos de aprendizado profundo, "Disse Liu." Isso nos inspira a procurar outros exemplos como este na física quântica, para revelar uma conexão mais ampla entre o aprendizado profundo e as ciências naturais. Por exemplo, a propagação de crenças é amplamente utilizada em muitas outras áreas de pesquisa, incluindo física estatística, o que implica que a BP neural também pode beneficiar a pesquisa em física estatística quântica. "

Em seu trabalho futuro, Poulin e Liu planejam estudar a PA neural no contexto da física estatística. Se treinado usando a mesma técnica, os pesquisadores esperam que a BP, que também é conhecido como o 'método de cavidade' neste cenário específico, irá mostrar um desempenho melhorado também neste contexto.

"Mais amplamente, a propagação de crenças pertence à importante classe de algoritmos de transmissão de mensagens, que acaba por estar intimamente relacionado às redes convolucionais de grafos na pesquisa de aprendizado profundo, "Liu acrescentou." Seria muito frutífero obter insights sobre essas estruturas do ponto de vista de um físico. "

© 2019 Science X Network