Команда исследователей искусственного интеллекта из Google DeepMind, работающая с командой квантовых исследователей из Google Quantum AI, объявила о разработке декодера на основе искусственного интеллекта, который идентифицирует ошибки квантовых вычислений.
В своей статье, опубликованной в журнале Nature, группа описывает, как они использовали машинное обучение, чтобы помочь находить ошибки в кубитах более эффективно, чем другие методы. Надя Хайдер из Технологического университета Делфта, подразделения квантовых вычислений QuTech и департамента микроэлектроники опубликовала в том же номере журнала статью "Новости и мнения", в которой рассказывается о работе, проделанной командой Google.
Одним из основных препятствий на пути создания по-настоящему полезного квантового компьютера является проблема исправления ошибок. Кубиты, как правило, хрупкие, что означает, что их качество может быть ниже желаемого, что приводит к ошибкам. В рамках этой новой работы объединенная команда исследователей из Google применила новый подход к решению проблемы — они разработали декодер на основе искусственного интеллекта, который помогает выявлять такие ошибки.
За последние несколько лет подразделение искусственного интеллекта Google разработало квантовый компьютер Sycamore и работало над ним. Для проведения квантовых вычислений компания создает отдельные логические кубиты с использованием нескольких аппаратных кубитов, которые используются для запуска программ, а также для исправления ошибок. В рамках этой новой работы команда разработала новый способ поиска и исправления таких ошибок и назвала его AlphaQubit
Новый декодер на базе искусственного интеллекта представляет собой разновидность нейронной сети с глубоким обучением. Исследователи сначала обучили его распознавать ошибки, используя свой компьютер Sycamore, работающий на 49 кубитах и квантовом симуляторе. Вместе эти две системы сгенерировали сотни миллионов примеров квантовых ошибок. Затем они повторно запустили Sycamore, на этот раз используя AlphaQubit для выявления любых сгенерированных ошибок, которые затем были исправлены.
При этом они обнаружили, что это привело к улучшению коррекции ошибок на 6% при выполнении высокоточных, но медленных тестов, и на 30% при выполнении менее точных, но более быстрых тестов. Они также протестировали это, используя до 241 кубита, и обнаружили, что это превзошло ожидания. Они предполагают, что их результаты указывают на то, что машинное обучение может быть решением проблемы исправления ошибок на квантовых компьютерах, позволяя сосредоточиться на других проблемах, которые еще предстоит решить.
