A computação quântica continua avançando em ritmo acelerado, mas um desafio que impede o campo é mitigar o ruído que assola as máquinas quânticas. Isso leva a taxas de erro muito mais altas em comparação com computadores clássicos.
Esse ruído geralmente é causado por sinais de controle imperfeitos, interferência do ambiente e interações indesejadas entre qubits, que são os blocos de construção de um computador quântico. Realizar cálculos em um computador quântico envolve um "circuito quântico", que é uma série de operações chamadas portas quânticas. Esses portões quânticos, que são mapeados para os qubits individuais, alteram os estados quânticos de certos qubits, que realizam os cálculos para resolver um problema.

Mas os portões quânticos introduzem ruído, o que pode prejudicar o desempenho de uma máquina quântica.

Pesquisadores do MIT e de outros lugares estão trabalhando para superar esse problema desenvolvendo uma técnica que torna o próprio circuito quântico resiliente ao ruído. (Especificamente, estes são circuitos quânticos "parametrizados" que contêm portas quânticas ajustáveis.) A equipe criou uma estrutura que pode identificar o circuito quântico mais robusto para uma tarefa de computação específica e gerar um padrão de mapeamento adaptado aos qubits de um quantum alvo. dispositivo.

Sua estrutura, chamada QuantumNAS (pesquisa adaptativa de ruído), é muito menos computacionalmente intensiva do que outros métodos de pesquisa e pode identificar circuitos quânticos que melhoram a precisão das tarefas de aprendizado de máquina e química quântica. Quando os pesquisadores usaram sua técnica para identificar circuitos quânticos para dispositivos quânticos reais, seus circuitos superaram os gerados usando outros métodos.

"A ideia-chave aqui é que, sem essa técnica, temos que amostrar cada arquitetura de circuito quântico individual e cenário de mapeamento no espaço de design, treiná-los, avaliá-los e, se não for bom, temos que jogar fora e começar de novo. Mas, usando esse método, podemos obter muitos circuitos e estratégias de mapeamento diferentes de uma só vez, sem a necessidade de muitos treinamentos", diz Song Han, professor associado do Departamento de Engenharia Elétrica e Ciência da Computação (EECS) e autor sênior do o papel.

Juntando-se a Han no artigo estão o autor principal Hanrui Wang e Yujun Lin, ambos estudantes de pós-graduação do EECS; Yongshan Ding, professor assistente de ciência da computação na Universidade de Yale; David Z. Pan, presidente do Silicon Laboratories em Engenharia Elétrica da Universidade do Texas em Austin, e Jiaqi Gu, estudante de pós-graduação da UT Austin; Fred Chong, professor Seymour Goodman do Departamento de Ciência da Computação da Universidade de Chicago; e Zirui Li, estudante de graduação da Shanghai Jiao Tong University. A pesquisa será apresentada no IEEE International Symposium on High-Performance Computer Architecture.

Muitas opções de design

A construção de um circuito quântico parametrizado envolve a seleção de um número de portas quânticas, que são operações físicas que os qubits realizarão. Esta não é uma tarefa fácil, pois existem muitos tipos de portões para escolher. Um circuito também pode ter qualquer número de portas, e as posições dessas portas - para quais qubits físicos eles mapeiam - podem variar.

"Com tantas opções diferentes, o espaço de design é extremamente grande. O desafio é como projetar uma boa arquitetura de circuito. Com o QuantumNAS, queremos projetar essa arquitetura para que seja muito robusta ao ruído", diz Wang.

Os pesquisadores se concentraram em circuitos quânticos variacionais, que usam portas quânticas com parâmetros treináveis ​​que podem aprender uma tarefa de aprendizado de máquina ou química quântica. Para projetar um circuito quântico variacional, normalmente um pesquisador deve projetar o circuito manualmente ou usar métodos baseados em regras para projetar o circuito para uma tarefa específica e, em seguida, tentar encontrar o conjunto ideal de parâmetros para cada porta quântica por meio de um processo de otimização. .

No método de busca ingênua, no qual os circuitos possíveis são avaliados individualmente, os parâmetros para cada circuito quântico candidato devem ser treinados, o que resulta em um enorme overhead computacional. Mas o pesquisador também deve identificar o número ideal de parâmetros e a arquitetura do circuito em primeiro lugar.

Em redes neurais clássicas, incluir mais parâmetros geralmente aumenta a precisão do modelo. Mas na computação quântica variacional, mais parâmetros exigem mais portas quânticas, que introduzem mais ruído.

Com o QuantumNAS, os pesquisadores buscam reduzir o custo geral de pesquisa e treinamento ao identificar o circuito quântico que contém o número ideal de parâmetros e a arquitetura apropriada para maximizar a precisão e minimizar o ruído.

Construindo um 'SuperCircuito'

Para fazer isso, eles primeiro projetam um "SuperCircuito", que contém todas as portas quânticas parametrizadas possíveis no espaço de design. Esse SuperCircuit será usado para gerar circuitos quânticos menores que podem ser testados.

Eles treinam o SuperCircuit uma vez e, como todos os outros circuitos candidatos no espaço de projeto são subconjuntos do SuperCircuit, eles herdam os parâmetros correspondentes que já foram treinados. Isso reduz a sobrecarga computacional do processo.

Uma vez que o SuperCircuit foi treinado, eles o utilizam para procurar arquiteturas de circuitos que atendam a um objetivo visado, neste caso, alta robustez ao ruído. O processo envolve a busca de circuitos quânticos e mapeamentos de qubits ao mesmo tempo usando o que é conhecido como algoritmo de busca evolutiva.

Esse algoritmo gera alguns circuitos quânticos e candidatos a mapeamento de qubits e, em seguida, avalia sua precisão com um modelo de ruído ou em uma máquina real. Os resultados são enviados de volta ao algoritmo, que seleciona as partes com melhor desempenho e as utiliza para iniciar o processo novamente até encontrar os candidatos ideais.

"Sabemos que qubits diferentes têm propriedades e taxas de erro de porta diferentes. Como estamos usando apenas um subconjunto dos qubits, por que não usamos os mais confiáveis? Podemos fazer isso através da co-busca da arquitetura e do qubit mapeamento", explica Wang.

Uma vez que os pesquisadores chegaram ao melhor circuito quântico, eles treinam seus parâmetros e realizam a poda de portas quânticas, removendo quaisquer portas quânticas que tenham valores próximos de zero, pois não contribuem muito para o desempenho geral. A remoção dessas portas reduz as fontes de ruído e melhora ainda mais o desempenho em máquinas quânticas reais. Em seguida, eles ajustam os parâmetros restantes para recuperar qualquer precisão perdida.

Após a conclusão dessa etapa, eles podem implantar o circuito quântico em uma máquina real.

Quando os pesquisadores testaram seus circuitos em dispositivos quânticos reais, eles superaram todas as linhas de base, incluindo circuitos projetados à mão por humanos e outros feitos usando outros métodos computacionais. Em um experimento, eles usaram o QuantumNAS para produzir um circuito quântico robusto ao ruído que foi usado para estimar a energia do estado fundamental de uma molécula específica, o que é um passo importante na química quântica e na descoberta de drogas. Seu método fez uma estimativa mais precisa do que qualquer uma das linhas de base.

Agora que eles mostraram a eficácia do QuantumNAS, eles querem usar esses princípios para tornar os parâmetros em um circuito quântico robustos ao ruído. Os pesquisadores também querem melhorar a escalabilidade de uma rede neural quântica treinando um circuito quântico em uma máquina quântica real, em vez de um computador clássico.

“Este é um trabalho interessante que busca mapeamento ansatz e qubit robustos ao ruído de circuitos quânticos paramétricos”, diz Yiyu Shi, professor de ciência da computação e engenharia da Universidade de Notre Dame, que não esteve envolvido com esta pesquisa. "Diferente do método de busca ingênuo que treina e avalia um grande número de candidatos individualmente, este trabalho treina um SuperCircuito e o utiliza para avaliar muitos candidatos, o que é muito mais eficiente."

"Neste trabalho, Hanrui e colaboradores aliviam o desafio de buscar um circuito quântico parametrizado eficiente treinando um SuperCircuit e usando-o para avaliar muitos candidatos que se torna muito eficiente, pois requer um procedimento de treinamento. usado para procurar o mapeamento de ansatz e qubit do circuito. Depois de treinar o SuperCircuit, podemos usá-lo para procurar o mapeamento de ansatz e qubit do circuito. O processo de avaliação é feito usando modelos de ruído ou rodando na máquina quântica real", diz Sona Najafi , um cientista de pesquisa da IBM Quantum que não esteve envolvido com este trabalho. “O protocolo foi testado usando máquinas quânticas IBMQ em tarefas VQE e QNN, demonstrando energia do estado fundamental mais precisa e maior precisão de classificação”.

Para incentivar mais trabalhos nessa área, os pesquisadores criaram uma biblioteca de código aberto, chamada TorchQuantum, que contém informações sobre seus projetos, tutoriais e ferramentas que podem ser utilizadas por outros grupos de pesquisa. + Explorar mais

Pesquisadores simulam com sucesso um circuito de 64 qubits