La computación cuántica continúa avanzando a un ritmo rápido, pero un desafío que frena el campo es mitigar el ruido que afecta a las máquinas cuánticas. Esto conduce a tasas de error mucho más altas en comparación con las computadoras clásicas.

Este ruido a menudo es causado por señales de control imperfectas, interferencias del entorno e interacciones no deseadas entre qubits, que son los componentes básicos de una computadora cuántica. Realizar cálculos en una computadora cuántica implica un "circuito cuántico", que es una serie de operaciones llamadas puertas cuánticas. Estas puertas cuánticas, que se asignan a los qubits individuales, cambian los estados cuánticos de ciertos qubits, que luego realizan los cálculos para resolver un problema.

Pero las puertas cuánticas introducen ruido, lo que puede dificultar el rendimiento de una máquina cuántica.

Los investigadores del MIT y otros lugares están trabajando para superar este problema mediante el desarrollo de una técnica que hace que el circuito cuántico sea resistente al ruido. (Específicamente, estos son circuitos cuánticos "parametrizados" que contienen puertas cuánticas ajustables). El equipo creó un marco que puede identificar el circuito cuántico más robusto para una tarea informática en particular y generar un patrón de mapeo que se adapta a los qubits de un cuántico específico. dispositivo.

Su marco, llamado QuantumNAS (búsqueda adaptativa de ruido), es mucho menos intensivo desde el punto de vista computacional que otros métodos de búsqueda y puede identificar circuitos cuánticos que mejoran la precisión del aprendizaje automático y las tareas de química cuántica. Cuando los investigadores utilizaron su técnica para identificar circuitos cuánticos para dispositivos cuánticos reales, sus circuitos superaron a los generados mediante otros métodos.

"La idea clave aquí es que, sin esta técnica, tenemos que probar cada escenario de mapeo y arquitectura de circuito cuántico individual en el espacio de diseño, entrenarlos, evaluarlos, y si no es bueno, tenemos que tirarlo y empezar de nuevo". Pero usando este método, podemos obtener muchos circuitos diferentes y estrategias de mapeo a la vez sin necesidad de muchas veces de entrenamiento", dice Song Han, profesor asociado en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación (EECS) y autor principal de el papel.

Junto a Han en el artículo están el autor principal Hanrui Wang y Yujun Lin, ambos estudiantes graduados de EECS; Yongshan Ding, profesor asistente de informática en la Universidad de Yale; David Z. Pan, titular de la Cátedra de Ingeniería Eléctrica de Silicon Laboratories en la Universidad de Texas en Austin, y el estudiante de posgrado de UT Austin, Jiaqi Gu; Fred Chong, profesor de Seymour Goodman en el Departamento de Ciencias de la Computación de la Universidad de Chicago; y Zirui Li, estudiante de pregrado de la Universidad Jiao Tong de Shanghai. La investigación se presentará en el Simposio internacional IEEE sobre arquitectura informática de alto rendimiento.

Muchas opciones de diseño

La construcción de un circuito cuántico parametrizado implica seleccionar una serie de puertas cuánticas, que son operaciones físicas que realizarán los qubits. Esta no es una tarea fácil, ya que hay muchos tipos de puertas para elegir. Un circuito también puede tener cualquier cantidad de puertas, y las posiciones de esas puertas (a qué qubits físicos se asignan) pueden variar.

"Con tantas opciones diferentes, el espacio de diseño es extremadamente grande. El desafío es cómo diseñar una buena arquitectura de circuito. Con QuantumNAS, queremos diseñar esa arquitectura para que sea muy resistente al ruido", dice Wang.

Los investigadores se centraron en los circuitos cuánticos variacionales, que utilizan puertas cuánticas con parámetros entrenables que pueden aprender una tarea de aprendizaje automático o química cuántica. Para diseñar un circuito cuántico variacional, por lo general, un investigador debe diseñar el circuito a mano o usar métodos basados ​​en reglas para diseñar el circuito para una tarea en particular, y luego tratar de encontrar el conjunto ideal de parámetros para cada puerta cuántica a través de un proceso de optimización. .

En el método de búsqueda ingenua, en el que los circuitos posibles se evalúan individualmente, se deben entrenar los parámetros para cada circuito cuántico candidato, lo que da como resultado una sobrecarga computacional masiva. Pero el investigador también debe identificar el número ideal de parámetros y la arquitectura del circuito en primer lugar.

En las redes neuronales clásicas, incluir más parámetros suele aumentar la precisión del modelo. Pero en la computación cuántica variacional, más parámetros requieren más puertas cuánticas, lo que introduce más ruido.

Con QuantumNAS, los investigadores buscan reducir el costo general de búsqueda y capacitación mientras identifican el circuito cuántico que contiene la cantidad ideal de parámetros y la arquitectura adecuada para maximizar la precisión y minimizar el ruido.

Construyendo un 'SuperCircuito'

Para hacer eso, primero diseñan un "SuperCircuito", que contiene todas las posibles puertas cuánticas parametrizadas en el espacio de diseño. Ese SuperCircuit se utilizará para generar circuitos cuánticos más pequeños que se pueden probar.

Entrenan el SuperCircuit una vez y luego, dado que todos los demás circuitos candidatos en el espacio de diseño son subconjuntos del SuperCircuit, heredan los parámetros correspondientes que ya se han entrenado. Esto reduce la sobrecarga computacional del proceso.

Una vez que el SuperCircuit ha sido entrenado, lo utilizan para buscar arquitecturas de circuitos que cumplan con un objetivo específico, en este caso, alta robustez al ruido. El proceso consiste en buscar circuitos cuánticos y mapeos de qubits al mismo tiempo utilizando lo que se conoce como algoritmo de búsqueda evolutiva.

Este algoritmo genera algunos circuitos cuánticos y candidatos de mapeo de qubits, luego evalúa su precisión con un modelo de ruido o en una máquina real. Los resultados se devuelven al algoritmo, que selecciona las piezas con mejor rendimiento y las utiliza para iniciar el proceso de nuevo hasta encontrar los candidatos ideales.

"Sabemos que diferentes qubits tienen diferentes propiedades y tasas de error de puerta. Dado que solo estamos usando un subconjunto de los qubits, ¿por qué no usamos los más confiables? Podemos hacer esto a través de la búsqueda conjunta de la arquitectura y el qubit mapeo", explica Wang.

Una vez que los investigadores han llegado al mejor circuito cuántico, entrenan sus parámetros y realizan una poda de puerta cuántica eliminando cualquier puerta cuántica que tenga valores cercanos a cero, ya que no contribuyen mucho al rendimiento general. La eliminación de estas puertas reduce las fuentes de ruido y mejora aún más el rendimiento de las máquinas cuánticas reales. Luego ajustan los parámetros restantes para recuperar la precisión perdida.

Después de completar ese paso, pueden implementar el circuito cuántico en una máquina real.

Cuando los investigadores probaron sus circuitos en dispositivos cuánticos reales, superaron todas las líneas de base, incluidos los circuitos diseñados a mano por humanos y otros fabricados con otros métodos computacionales. En un experimento, utilizaron QuantumNAS para producir un circuito cuántico resistente al ruido que se utilizó para estimar la energía del estado fundamental de una molécula en particular, lo cual es un paso importante en la química cuántica y el descubrimiento de fármacos. Su método hizo una estimación más precisa que cualquiera de las líneas de base.

Ahora que han demostrado la efectividad de QuantumNAS, quieren usar estos principios para hacer que los parámetros en un circuito cuántico sean resistentes al ruido. Los investigadores también quieren mejorar la escalabilidad de una red neuronal cuántica entrenando un circuito cuántico en una máquina cuántica real, en lugar de una computadora clásica.

"Este es un trabajo interesante que busca ansatz resistente al ruido y mapeo qubit de circuitos cuánticos paramétricos", dice Yiyu Shi, profesor de informática e ingeniería en la Universidad de Notre Dame, que no participó en esta investigación. "A diferencia del método de búsqueda ingenuo que entrena y evalúa una gran cantidad de candidatos individualmente, este trabajo entrena un SuperCircuit y lo usa para evaluar muchos candidatos, lo cual es mucho más eficiente".

"En este trabajo, Hanrui y sus colaboradores alivian el desafío de buscar un circuito cuántico parametrizado eficiente entrenando un SuperCircuit y usándolo para evaluar muchos candidatos, lo que se vuelve muy eficiente ya que requiere un procedimiento de entrenamiento. Una vez que se entrena el SuperCircuit, puede ser utilizado para buscar el circuito ansatz y el mapeo de qubits. Después de entrenar el SuperCircuit, podemos usarlo para buscar el circuito ansatz y el mapeo de qubits. El proceso de evaluación se realiza utilizando modelos de ruido o ejecutándose en la máquina cuántica real ", dice Sona Najafi , un científico investigador de IBM Quantum que no participó en este trabajo. "El protocolo se ha probado con máquinas cuánticas IBMQ en tareas VQE y QNN, lo que demuestra una energía del estado fundamental más precisa y una mayor precisión de clasificación".

Para fomentar más trabajo en esta área, los investigadores crearon una biblioteca de código abierto, llamada TorchQuantum, que contiene información sobre sus proyectos, tutoriales y herramientas que pueden usar otros grupos de investigación. + Explora más

Investigadores simulan con éxito un circuito de 64 qubits