Figura che riassume la strategia di mitigazione dell'errore neurale. Credito:Bennewitz et al.
I computer quantistici a breve termine, i computer quantistici sviluppati oggi o nel prossimo futuro, potrebbero aiutare ad affrontare alcuni problemi in modo più efficace rispetto ai computer classici. Una potenziale applicazione per questi computer potrebbe essere in fisica, chimica e scienza dei materiali, per eseguire simulazioni quantistiche e determinare gli stati fondamentali dei sistemi quantistici.
Alcuni computer quantistici sviluppati negli ultimi anni si sono dimostrati abbastanza efficaci nell'esecuzione di simulazioni quantistiche. Tuttavia, gli approcci di calcolo quantistico a breve termine sono ancora limitati dai componenti hardware esistenti e dagli effetti negativi del rumore di fondo.
I ricercatori di 1QB Information Technologies (1QBit), dell'Università di Waterloo e del Perimeter Institute for Theoretical Physics hanno recentemente sviluppato la mitigazione degli errori neurali, una nuova strategia che potrebbe migliorare le stime dello stato fondamentale ottenute utilizzando simulazioni quantistiche. Questa strategia, introdotta in un documento pubblicato su Nature Machine Intelligence , si basa su algoritmi di apprendimento automatico.
"Introduciamo la mitigazione dell'errore neurale, che utilizza le reti neurali per migliorare le stime degli stati fondamentali e degli osservabili dello stato fondamentale ottenuti utilizzando simulazioni quantistiche a breve termine", hanno scritto Elizabeth R. Bennewitz e i suoi colleghi nel loro articolo.
La mitigazione dell'errore neurale (NEM), la nuova strategia ideata dai ricercatori, ha due componenti o passaggi chiave. In primo luogo, il team ha utilizzato una tecnica nota come tomografia a stato quantistico neurale (NQST) per addestrare un cosiddetto NQS ansalz a rappresentare uno stato fondamentale approssimativo preparato da un dispositivo quantistico rumoroso.
NQST è un approccio di apprendimento automatico in grado di ricostruire lo stato quantistico complesso analizzando un numero limitato di misurazioni raccolte sperimentalmente. Successivamente, Bennewitz e i suoi colleghi hanno utilizzato un algoritmo variazionale Monte Carlo (VMC) per migliorare la rappresentazione esistente dello stato fondamentale sconosciuto. L'NQS ansalz utilizzato nei loro esperimenti era un'architettura a trasformatore, un modello di apprendimento automatico generativo che è stato spesso utilizzato per generare testi in linguaggio naturale ed elaborare immagini.
Infine, i ricercatori hanno testato le prestazioni del loro metodo di mitigazione dell'errore neurale su un vero problema di ricerca. In particolare, hanno testato la sua capacità di identificare la funzione d'onda dello stato fondamentale e l'energia delle Hamiltoniane molecolari fermioniche che interagiscono con molti corpi, che è un passaggio essenziale per eseguire simulazioni delle correlazioni elettroniche di una molecola.
"Per dimostrare l'ampia applicabilità del nostro metodo, utilizziamo la mitigazione dell'errore neurale per trovare gli stati fondamentali di H2 e Hamiltoniane molecolari LiH, così come il modello reticolare di Schwinger, preparato tramite l'autosolver quantistico variazionale", hanno scritto i ricercatori nel loro articolo. "I nostri risultati mostrano che la mitigazione dell'errore neurale migliora i calcoli dell'autosolver quantistico variazionale numerico e sperimentale per produrre errori a bassa energia, alta fedeltà e stime accurate di osservabili più complessi come i parametri dell'ordine e l'entropia di entanglement senza richiedere risorse quantistiche aggiuntive."
In futuro, la simulazione dell'errore neurale potrebbe essere utilizzata per ridurre gli errori associati al rumore nelle simulazioni quantistiche eseguite utilizzando dispositivi a breve termine. Ciò potrebbe avere importanti implicazioni per molti campi di ricerca, tra cui chimica, fisica e scienza dei materiali, in quanto potrebbe portare a stime più precise o nuove scoperte approfondite.
"La mitigazione dell'errore neurale è anche agnostica rispetto all'algoritmo di preparazione dello stato quantistico utilizzato, all'hardware quantistico su cui è implementato e al particolare canale di rumore che influenza l'esperimento, contribuendo alla sua versatilità come strumento per la simulazione quantistica", hanno scritto i ricercatori nel loro carta. + Esplora ulteriormente
© 2022 Rete Science X
