Les ordinateurs quantiques à court terme, les ordinateurs quantiques développés aujourd'hui ou dans un avenir proche, pourraient aider à résoudre certains problèmes plus efficacement que les ordinateurs classiques. Une application potentielle de ces ordinateurs pourrait être la physique, la chimie et la science des matériaux, pour effectuer des simulations quantiques et déterminer les états fondamentaux des systèmes quantiques.

Certains ordinateurs quantiques développés au cours des dernières années se sont avérés assez efficaces pour exécuter des simulations quantiques. Cependant, les approches d'informatique quantique à court terme sont encore limitées par les composants matériels existants et par les effets néfastes du bruit de fond.

Des chercheurs de 1QB Information Technologies (1QBit), de l'Université de Waterloo et du Perimeter Institute for Theoretical Physics ont récemment développé l'atténuation des erreurs neurales, une nouvelle stratégie qui pourrait améliorer les estimations de l'état fondamental obtenues à l'aide de simulations quantiques. Cette stratégie, présentée dans un article publié dans Nature Machine Intelligence , est basé sur des algorithmes d'apprentissage automatique.

"Nous introduisons l'atténuation des erreurs neuronales, qui utilise des réseaux neuronaux pour améliorer les estimations des états fondamentaux et des observables de l'état fondamental obtenues à l'aide de simulations quantiques à court terme", ont écrit Elizabeth R. Bennewitz et ses collègues dans leur article.

L'atténuation des erreurs neurales (NEM), la nouvelle stratégie conçue par les chercheurs, comporte deux éléments ou étapes clés. Tout d'abord, l'équipe a utilisé une technique connue sous le nom de tomographie à l'état quantique neuronal (NQST) pour former un soi-disant ansalz NQS pour représenter un état fondamental approximatif préparé par un dispositif quantique bruyant.

NQST est une approche d'apprentissage automatique qui peut reconstruire un état quantique complexe en analysant un nombre limité de mesures collectées expérimentalement. Par la suite, Bennewitz et ses collègues ont utilisé un algorithme de Monte Carlo variationnel (VMC) pour améliorer la représentation existante de l'état fondamental inconnu. L'ansalz NQS utilisé dans leurs expériences était une architecture de transformateur, un modèle d'apprentissage automatique génératif qui a souvent été utilisé pour générer des textes en langage naturel et traiter des images.

Enfin, les chercheurs ont testé les performances de leur méthode d'atténuation des erreurs neurales sur un problème de recherche réel. Plus précisément, ils ont testé sa capacité à identifier la fonction d'onde et l'énergie de l'état fondamental des hamiltoniens moléculaires fermioninc interagissant à plusieurs corps, ce qui est une étape essentielle pour exécuter des simulations des corrélations électroniques d'une molécule.

"Pour démontrer la large applicabilité de notre méthode, nous utilisons l'atténuation des erreurs neurales pour trouver les états fondamentaux du H₂ et les hamiltoniens moléculaires LiH, ainsi que le modèle de réseau de Schwinger, préparé via le solveur quantique variationnel », ont écrit les chercheurs dans leur article. « Nos résultats montrent que l'atténuation des erreurs neurales améliore les calculs numériques et expérimentaux du solveur quantique variationnel pour produire des erreurs à faible énergie, haute fidélité et estimations précises d'observables plus complexes tels que les paramètres d'ordre et l'entropie d'intrication sans nécessiter de ressources quantiques supplémentaires."

À l'avenir, la simulation d'erreur neuronale pourrait être utilisée pour réduire les erreurs associées au bruit dans les simulations quantiques effectuées à l'aide de dispositifs à court terme. Cela pourrait avoir des implications importantes pour de nombreux domaines de recherche, notamment la chimie, la physique et la science des matériaux, car cela pourrait conduire à des estimations plus précises ou à de nouvelles découvertes intéressantes.

"L'atténuation des erreurs neurales est également agnostique en ce qui concerne l'algorithme de préparation de l'état quantique utilisé, le matériel quantique sur lequel il est implémenté et le canal de bruit particulier affectant l'expérience, contribuant à sa polyvalence en tant qu'outil de simulation quantique", ont écrit les chercheurs dans leur papier. + Explorer plus loin

L'enchevêtrement déverrouille la mise à l'échelle pour l'apprentissage automatique quantique

© 2022 Réseau Science X