(Phys.org)—Les physiciens ont appliqué la capacité des algorithmes d'apprentissage automatique à apprendre de l'expérience à l'un des plus grands défis auxquels l'informatique quantique est actuellement confrontée :la correction d'erreur quantique, qui est utilisé pour concevoir des protocoles de calcul quantique tolérants au bruit. Dans une nouvelle étude, ils ont démontré qu'un type de réseau neuronal appelé machine de Boltzmann peut être entraîné pour modéliser les erreurs dans un protocole informatique quantique, puis concevoir et mettre en œuvre la meilleure méthode pour corriger les erreurs.

Les physiciens, Giacomo Torlai et Roger G. Melko de l'Université de Waterloo et du Perimeter Institute for Theoretical Physics, ont publié un article sur le nouvel algorithme d'apprentissage automatique dans un récent numéro de Lettres d'examen physique .

"L'idée derrière le décodage neuronal est de contourner le processus de construction d'un algorithme de décodage pour une réalisation de code spécifique (étant donné quelques approximations sur le bruit), et laissez un réseau de neurones apprendre à effectuer la récupération directement à partir de données brutes, obtenu par des mesures simples sur le code, " a dit Torlai Phys.org . « Avec les récents progrès des technologies quantiques et une vague de dispositifs quantiques devenant disponibles à court terme, les décodeurs neuronaux pourront s'adapter aux différentes architectures, ainsi que différentes sources de bruit."

Comme l'expliquent les chercheurs, une machine de Boltzmann est l'un des types les plus simples de réseaux de neurones artificiels stochastiques, et il peut être utilisé pour analyser une grande variété de données. Les réseaux de neurones extraient généralement des caractéristiques et des modèles à partir de données brutes, qui dans ce cas est un ensemble de données contenant les erreurs possibles qui peuvent affecter les états quantiques.

Une fois le nouvel algorithme, que les physiciens appellent un décodeur neuronal, est formé sur ces données, il est capable de construire un modèle précis de la distribution de probabilité des erreurs. Avec ces informations, le décodeur neuronal peut générer les chaînes d'erreurs appropriées qui peuvent ensuite être utilisées pour récupérer les états quantiques corrects.

Les chercheurs ont testé le décodeur neuronal sur des codes topologiques quantiques couramment utilisés en informatique quantique, et a démontré que l'algorithme est relativement simple à mettre en œuvre. Un autre avantage du nouvel algorithme est qu'il ne dépend pas de la géométrie spécifique, structure, ou dimension des données, ce qui permet de la généraliser à une grande variété de problèmes.

À l'avenir, les physiciens envisagent d'explorer différentes manières d'améliorer les performances de l'algorithme, comme en empilant plusieurs machines Boltzmann les unes sur les autres pour construire un réseau avec une structure plus profonde. Les chercheurs prévoient également d'appliquer le décodeur neuronal à des applications plus complexes, codes réalistes.

"Jusque là, les décodeurs neuronaux ont été testés sur des codes simples généralement utilisés pour les benchmarks, " a déclaré Torlai. " Une première direction serait d'effectuer une correction d'erreur sur les codes pour lesquels un décodeur efficace n'a pas encore été trouvé, par exemple, les codes de contrôle de parité à faible densité. À long terme, je pense que le décodage neuronal jouera un rôle important lorsqu'il s'agira de systèmes quantiques plus importants (des centaines de qubits). La capacité de compresser des objets de grande dimension en représentations de faible dimension, d'où découle le succès du machine learning, permettra de capturer fidèlement la distribution complexe reliant les erreurs survenant dans le système avec les résultats des mesures."

© 2017 Phys.org