Las computadoras cuánticas a corto plazo, las computadoras cuánticas desarrolladas hoy o en un futuro cercano, podrían ayudar a abordar algunos problemas de manera más efectiva que las computadoras clásicas. Una aplicación potencial para estas computadoras podría ser la física, la química y la ciencia de los materiales, para realizar simulaciones cuánticas y determinar los estados fundamentales de los sistemas cuánticos.

Algunas computadoras cuánticas desarrolladas en los últimos años han demostrado ser bastante efectivas para ejecutar simulaciones cuánticas. Sin embargo, los enfoques de computación cuántica a corto plazo todavía están limitados por los componentes de hardware existentes y por los efectos adversos del ruido de fondo.

Investigadores de 1QB Information Technologies (1QBit), la Universidad de Waterloo y el Perimeter Institute for Theoretical Physics han desarrollado recientemente la mitigación de errores neuronales, una nueva estrategia que podría mejorar las estimaciones del estado fundamental obtenidas mediante simulaciones cuánticas. Esta estrategia, presentada en un artículo publicado en Nature Machine Intelligence , se basa en algoritmos de aprendizaje automático.

"Presentamos la mitigación de errores neuronales, que utiliza redes neuronales para mejorar las estimaciones de los estados fundamentales y los observables del estado fundamental obtenidos mediante simulaciones cuánticas a corto plazo", escribieron Elizabeth R. Bennewitz y sus colegas en su artículo.

La mitigación de errores neuronales (NEM), la nueva estrategia ideada por los investigadores, tiene dos componentes o pasos clave. Primero, el equipo usó una técnica conocida como tomografía de estado cuántico neural (NQST) para entrenar un llamado NQS ansalz para representar un estado fundamental aproximado preparado por un dispositivo cuántico ruidoso.

NQST es un enfoque de aprendizaje automático que puede reconstruir un estado cuántico complejo mediante el análisis de un número limitado de mediciones recopiladas experimentalmente. Posteriormente, Bennewitz y sus colegas utilizaron un algoritmo variacional de Monte Carlo (VMC) para mejorar la representación existente del estado fundamental desconocido. El NQS ansalz utilizado en sus experimentos fue una arquitectura transformadora, un modelo generativo de aprendizaje automático que se ha utilizado a menudo para generar textos en lenguaje natural y procesar imágenes.

Finalmente, los investigadores probaron el rendimiento de su método de mitigación de errores neuronales en un problema de investigación real. Específicamente, probaron su capacidad para identificar la función de onda del estado fundamental y la energía de hamiltonianos moleculares fermionínicos que interactúan con muchos cuerpos, que es un paso esencial para ejecutar simulaciones de las correlaciones de electrones de una molécula.

"Para demostrar la amplia aplicabilidad de nuestro método, empleamos la mitigación de errores neuronales para encontrar los estados básicos del H₂ y hamiltonianos moleculares LiH, así como el modelo de red de Schwinger, preparado a través del solucionador propio cuántico variacional", escribieron los investigadores en su artículo. "Nuestros resultados muestran que la mitigación de errores neuronales mejora los cálculos del solucionador propio cuántico variacional numérico y experimental para producir errores de baja energía, alta fidelidad y estimaciones precisas de observables más complejos, como parámetros de orden y entropía de entrelazamiento, sin necesidad de recursos cuánticos adicionales".

En el futuro, la simulación de errores neuronales podría usarse para reducir los errores asociados con el ruido en simulaciones cuánticas realizadas con dispositivos a corto plazo. Esto podría tener implicaciones importantes para muchos campos de investigación, incluidos la química, la física y la ciencia de los materiales, ya que podría conducir a estimaciones más precisas o nuevos descubrimientos reveladores.

"La mitigación de errores neuronales también es agnóstica con respecto al algoritmo de preparación del estado cuántico utilizado, el hardware cuántico en el que se implementa y el canal de ruido particular que afecta el experimento, lo que contribuye a su versatilidad como herramienta para la simulación cuántica", escribieron los investigadores en su papel. + Explora más

El entrelazamiento desbloquea el escalado para el aprendizaje automático cuántico

© 2022 Red Ciencia X