Pesquisadores da Universidade de Sydney e da startup de controle quântico Q-CTRL anunciaram hoje uma maneira de identificar fontes de erro em computadores quânticos por meio de aprendizado de máquina, fornecendo aos desenvolvedores de hardware a capacidade de identificar a degradação do desempenho com precisão sem precedentes e acelerar caminhos para computadores quânticos úteis.

Um artigo científico conjunto detalhando a pesquisa, intitulado "Quantum Oscillator Noise Spectroscopy via Displaced Cat States, "foi publicado no Cartas de revisão física , o principal jornal de pesquisa de ciências físicas do mundo e publicação carro-chefe da American Physical Society (APS Physics).

Focada na redução de erros causados ​​por "ruído" ambiental - o calcanhar de Aquiles da computação quântica - a equipe da Universidade de Sydney desenvolveu uma técnica para detectar os menores desvios das condições precisas necessárias para executar algoritmos quânticos usando íon aprisionado e hardware de computação quântica supercondutor. Estas são as principais tecnologias usadas pelos esforços de computação quântica industrial líder mundial na IBM, Google, Honeywell, IonQ, e outros.

Para localizar a fonte dos desvios medidos, Os cientistas da Q-CTRL desenvolveram uma nova maneira de processar os resultados das medições usando algoritmos de aprendizado de máquina personalizados. Em combinação com as técnicas de controle quântico existentes do Q-CTRL, os pesquisadores também foram capazes de minimizar o impacto da interferência de fundo no processo. Isso permitiu uma fácil discriminação entre fontes de ruído "reais" que poderiam ser corrigidas e artefatos fantasmas das próprias medições.

"Combinar técnicas experimentais de ponta com aprendizado de máquina demonstrou enormes vantagens no desenvolvimento de computadores quânticos, "disse o Dr. Cornelius Hempel da ETH Zurich, que conduziu a pesquisa enquanto estava na Universidade de Sydney." A equipe Q-CTRL foi capaz de desenvolver rapidamente uma solução de aprendizado de máquina projetada profissionalmente que nos permitiu dar sentido aos nossos dados e fornecer um novo maneira de 'ver' os problemas no hardware e resolvê-los. "

O CEO da Q-CTRL e professor da Universidade de Sydney Michael J. Biercuk disse:"A capacidade de identificar e suprimir fontes de degradação de desempenho no hardware quântico é crítica tanto para a pesquisa básica quanto para os esforços industriais na construção de sensores quânticos e computadores quânticos.

"Controle quântico, aumentado pelo aprendizado de máquina, mostrou um caminho para tornar esses sistemas praticamente úteis e acelerar drasticamente os cronogramas de P&D, " ele disse.

"Os resultados publicados em um prestigioso, periódicos revisados ​​por pares validam o benefício da cooperação contínua entre a pesquisa científica fundamental em um laboratório universitário e startups de tecnologia profunda. Estamos entusiasmados por estar avançando no campo por meio de nossa colaboração. "