[ad_1]
Liniowe optyczne obliczenia kwantowe wykorzystują fotony jako nośniki informacji (tj. kubity) w obwodzie optycznym z dzielnikami wiązki i przesuwnikami fazowymi, które przetwarzają te informacje. Więcej o tym, jak działają optyczne obliczenia kwantowe, można przeczytać tutaj.
Niech różne wyjścia optycznego obwodu kwantowego odpowiadają różnym modelom wydatków, które można uzyskać przy określonej liczbie fotonów odpowiadającej ich ograniczonemu budżetowi. Oczywiście, im więcej modeli wydatków mamy do dyspozycji, tym więcej opcji mamy do wyboru, a tym samym większe prawdopodobieństwo dokonania optymalnego wyboru. Jeśli wcześniej mieliśmy kategorie „jedzenie” i „podróże”, z pewnością skorzystamy na rozgałęzieniu tych kategorii na „artykuły spożywcze”, „fast food”, „restauracje” i „loty”, „transport publiczny” itp. Chociaż wcześniej przywiązywaliśmy dużą wagę do kategorii „żywność”, ponieważ jest ona niezbędna do przetrwania, teraz możemy zidentyfikować, że niektóre kategorie, takie jak „fast food” i „restauracje”, nie są tak istotne jak „artykuły spożywcze”, dzięki czemu mamy większą szansę na dokonywanie lepszych wyborów przy ograniczonym budżecie.
Aby stworzyć dobry model wydatkowania fotonów, ważne jest nie tylko, aby wiedzieć, ile fotonów znajduje się w budżecie (weszło do obwodu) i gdzie zostały one ostatecznie znalezione (na których trybach wyjściowych). Ważne jest również ilościowe określenie wydatków na fotony w każdym trybie (ile fotonów znajduje się w którym trybie wyjściowym), dzięki czemu masz większą szansę na osiągnięcie pożądanego rozkładu fotonów.
Szukasz sposobu na wykonywanie bardziej złożonych obliczeń z ograniczonym budżetem fotonów, ale nie znasz rozkładu fotonów na koniec obliczeń? Nie obawiaj się, mamy dla Ciebie rozwiązanie! Czytaj dalej, aby dowiedzieć się, jak najlepiej wykorzystać fotony dzięki naszej nowej funkcji – rozdzielczości liczby pseudo-fotonów (PPNR lub pseudo PNR).
1. Dlaczego PNR jest ważna?
Użycie fotonów jako kwantowych jednostek przetwarzających ma tę zaletę, że spełnia 5 warunków DiVincenzo do zbudowania komputera kwantowego (przypomnij je sobie, czytając ten krótki artykuł). Daje również dostęp do okrojonej przestrzeni Focka, która jest większa niż przestrzeń kubitów. Różnicę tę mierzymy rozmiarem przestrzeni Hilberta, które opisują je matematycznie. Więcej o różnicy między nimi można przeczytać w jednym z naszych poprzednich artykułów tutaj.
Krótko mówiąc, wykorzystanie fotonicznej przestrzeni Focka daje nam przewagę skalowania. Przy tej samej liczbie fotonów przestrzeń Focka jest znacznie większa niż przestrzeń kubitowa, a zatem pozwala nam konstruować i pracować w większej przestrzeni obliczeniowej. Zasadniczo możemy zrobić więcej za mniej, pomagając maksymalnie wykorzystać fotony! Można to postrzegać jako rozszerzenie liczby kategorii, które rozważamy w naszym modelu wydawania fotonów, o którym mówiliśmy wcześniej.
Wcześniej stwierdziliśmy, że nie możemy policzyć liczby fotonów w pojedynczym trybie wyjściowym z idealną dokładnością, ograniczając nasz dostęp do niektórych stanów w przestrzeni Focka, tj. okrojonej przestrzeni Focka. Chociaż idealna dokładność jest nadal trudna do osiągnięcia, z przyjemnością informujemy, że zrobiliśmy wielki krok w tym kierunku!
Użytkownicy Perceval mogą teraz konfigurować swoje tryby, deklarując, czy rozstrzygają liczbę fotonów, czy nie. Jest to opcjonalna funkcja już wprowadzona do naszego oprogramowania i gotowa do użycia!
2. Integracja PNR
Prawdopodobnie słyszałeś o mikroprocesorach lub klasycznych jednostkach przetwarzania (CPU). Są one mózgiem komputera, przetwarzającym i analizującym informacje przy użyciu klasycznych operacji. Są one połączone z innymi częściami komputera za pomocą pinów, z których niektóre mają predefiniowaną funkcję (co oznacza, że mogą wykonywać tylko jedną funkcję, np. piny RESET), podczas gdy inne są konfigurowalne. Są one nazywane wejściami/wyjściami ogólnego przeznaczenia (GPIO) i są znacznie bardziej użyteczne.
Analogię do tej samej idei konfigurowalnych portów można zastosować na urządzeniach optycznych w jednostce przetwarzania kwantowego (QPU). Jednostka QPU różni się od procesora sposobem wykonywania obliczeń, wykorzystując moc fizycznych zachowań występujących w przypadku cząstek kwantowych.
Detekcja fotonów działa w oparciu o siatkę – zmiana pozycji i liczby fotonów znalezionych w każdym trybie siatki zmienia stan systemu (rozważany model wydatków). Właśnie dlatego dostęp do detektora PNR jest niezbędny do osiągnięcia wysokiej wierności. Detektor pojedynczych fotonów (SPD) byłby w stanie powiedzieć nam tylko, czy wykrył w ogóle fotony (dając nam wyjście 1), czy w ogóle ich nie wykrył (wysyłając 0). Poniżej można zwizualizować różnicę między możliwościami PNR i SPD.
Mówiąc prościej, detektory PNR pozwalają lepiej analizować rozkład fotonów (ponieważ mają dostęp do większej liczby modeli wydatków), więc naturalnie masz większą szansę na znalezienie rozkładu, o którym marzyłeś. Być może zastanawiasz się teraz: w jaki sposób PNR osiąga się w fotonicznym komputerze kwantowym?
Nasza najnowsza funkcja wykorzystuje zrównoważone rozgałęźniki wiązki dołączone do trybów, dla których użytkownik zadeklarował PNR. Przypomnijmy, że rozdzielacz wiązki to urządzenie optyczne zawierające 2 tryby wejściowe i 2 tryby wyjściowe. Kontroluje on kierunek przechodzących przez niego fotonów. Zrównoważony rozdzielacz wiązki daje fotonowi wprowadzonemu przez którekolwiek z wejść 50% szans na zakończenie w jednym z wyjść (wybór jest losowy), ponieważ może on albo odbić się od rozdzielacza wiązki, albo zostać przez niego przesłany.
Wyobraźmy sobie tryb zawierający 2 fotony podłączone do naszego detektora PPNR. Docierając do zrównoważonego rozdzielacza wiązki, fotony te albo obiorą tę samą trasę, a zatem zostaną znalezione w tym samym trybie z prawdopodobieństwem 50%, albo każdy z nich pójdzie w swoją stronę i zostanie znaleziony w oddzielnych trybach z prawdopodobieństwem 50%.
Istnieją 4 różne sposoby podróży 2 fotonów przez rozdzielacz wiązki, z których każdy jest równie prawdopodobny (każdy z prawdopodobieństwem 25%)
Przypadek 1: Wejście 1 i wejście 2 zostały odbite i wyszły odpowiednio na wyjściach 1 i 2.
Przypadek 2: Wejście 1 zostało odbite, a wejście 2 zostało przesłane, więc oba trafiły na wyjście 1.
Przypadek 3: Wejście 1 zostało przesłane, a wejście 2 zostało odbite, więc oba trafiły na wyjście 2.
Przypadek 4: Wejście 1 i wejście 2 zostały przesłane i wyszły odpowiednio na wyjściach 2 i 1.
Ponieważ fotony są nierozróżnialne, uznajemy, że istnieje 50% prawdopodobieństwo rozszczepienia fotonów i 50% prawdopodobieństwo, że znajdą się one w tym samym trybie.
Nazywamy to pseudo PNR, ponieważ rozkład fotonów uzyskujemy probabilistycznie, a nie deterministycznie. Mówiąc prościej, nie mamy pełnej kontroli nad tym, czy foton zostanie odbity, czy przesłany, ponieważ dzieje się to losowo, z pewnym prawdopodobieństwem (50%).
Skonstruowaliśmy układ, który manipuluje sposobem, w jaki podróżują nasze fotony i daje nam dużą szansę na zliczenie 2 fotonów, jeśli podróżują razem w jednym trybie. Przykładem nie-pseudo PNR byłby PNR, który deterministycznie określa liczbę fotonów w trybie poprzez pomiar natężenia światła. Im więcej fotonów znajduje się w danym trybie, tym silniejsze będzie ich światło. Jeśli możemy deterministycznie zmierzyć jasność, mamy 100% pewności co do liczby fotonów i byłby to prawdziwy PNR.
Na razie PPNR może być używany tylko w pierwszych 3 trybach naszego QPU i jego symulatora, ale może nam to również pomóc we wnioskowaniu o innych trybach. Możesz przetestować jego wydajność dla rozdzielczości do 2 fotonów z dokładnością do 50%. Funkcję tę można łatwo zaimplementować w jednej linii kodu, jak pokazano na poniższym obrazku.
Bądź na bieżąco z przyszłymi wydaniami dotyczącymi większej liczby trybów!
Jest to wielki krok naprzód, poszerzający granice tego, co jest możliwe do zrobienia w naszym frameworku i torujący drogę dla niektórych bardzo ekscytujących zastosowań. W kwantowym uczeniu maszynowym pozwala nam to pracować z bardziej złożonymi modelami uczenia się, ponieważ jesteśmy w stanie pracować w większej przestrzeni obliczeniowej (przestrzeni Focka). Proste wizualne wyjaśnienie, dlaczego tak jest, można znaleźć tutaj. Co więcej, w kwantowych algorytmach klasyfikacji (VQC), dostęp do PNR pozwala na stworzenie wysoce ekspresyjnego ansatzu, automatycznie zwiększając złożoność obwodu bez zwiększania liczby użytych fotonów. Możesz dowiedzieć się, jak i dlaczego używamy VQC na naszym własnym QPU Ascella tutaj.
Na co więc czekasz? Odkryj pełen potencjał naszej nowej funkcji i wykorzystaj w pełni swoje fotony!
[ad_2]