Obliczenia kwantowe, dziedzina łącząca mechanikę kwantową i teorię obliczeniową, stoją przed wyzwaniami wynikającymi z delikatnej natury systemów kwantowych oraz ich podatności na szumy i błędy. Algorytm Variational Quantum Eigensolver (VQE), który łączy mechanikę kwantową i klasyczne techniki optymalizacji, jest obiecującym narzędziem do wykorzystania mocy urządzeń kwantowych. Szum kwantowy pozostaje jednak istotnym problemem. Nowym podejściem do rozwiązania tego problemu jest Zero Noise Extrapolation (ZNE), które wykorzystuje sieci neuronowe do zrozumienia, jak zachowuje się system kwantowy przy różnych poziomach sztucznie wprowadzonego szumu. Badania te badają integrację ZNE z VQE, mając na celu poprawę dokładności obliczeń kwantowych.
Jaka jest rola obliczeń kwantowych i związane z nimi wyzwania?
Obliczenia kwantowe to multidyscyplinarna dziedzina łącząca mechanikę kwantową i teorię obliczeniową. Obiecuje ona zrewolucjonizować sposób, w jaki przetwarzamy informacje, oferując możliwości obliczeniowe znacznie wykraczające poza zasięg klasycznych maszyn. Potencjał obliczeń kwantowych nie jest jednak pozbawiony wyzwań. Systemy kwantowe są z natury delikatne i podatne na różne źródła szumów i błędów, które mogą drastycznie wpływać na dokładność obliczeń.
Jednym z najbardziej obiecujących algorytmów zaprojektowanych w celu wykorzystania mocy urządzeń kwantowych w najbliższej przyszłości jest Variational Quantum Eigensolver (VQE). VQE stanowi połączenie mechaniki kwantowej i klasycznych technik optymalizacji, mając na celu znalezienie najniższego stanu danego hamiltonianu. Jego hybrydowy charakter, wykorzystujący zarówno zasoby kwantowe, jak i klasyczne, czyni go szczególnie odpowiednim dla obecnych hałaśliwych urządzeń kwantowych o średniej skali (NISQ). Jednak nawet przy tak obiecujących narzędziach jak VQE, wszechobecnym wyzwaniem pozostaje szum w urządzeniach kwantowych.
Szum kwantowy, będący konsekwencją interakcji systemów kwantowych z ich otoczeniem, wprowadza błędy, które mogą zniekształcać wyniki, czyniąc je niewiarygodnymi lub całkowicie niepoprawnymi. Szum depolaryzacyjny, tłumienie fazy i tłumienie amplitudy to tylko kilka przykładów niezliczonych rodzajów szumów, których mogą doświadczać urządzenia kwantowe. Wyzwaniem jest zatem opracowanie metod, które mogą albo złagodzić skutki tego szumu, albo skorygować go post-facto.
Jak ekstrapolacja zerowego szumu (ZNE) radzi sobie z szumem kwantowym?
Zero Noise Extrapolation (ZNE) to innowacyjna technika zaprojektowana w celu rozwiązania problemu szumów kwantowych. ZNE opiera się na prostym, ale potężnym założeniu: poprzez zrozumienie, jak zachowuje się system kwantowy przy różnych poziomach sztucznie wprowadzonego szumu, można ekstrapolować jego zachowanie w warunkach zerowego szumu. Zasadniczo, badając zachowanie systemu w najgorszych warunkach, ZNE ma na celu przewidzenie jego wydajności w najlepszych.
W niniejszych badaniach zbadano integrację ZNE z VQE przy użyciu sieci neuronowych jako nowatorskiego pomostu między hałaśliwymi obliczeniami kwantowymi a ich idealnymi odpowiednikami. Podejmując wyzwanie związane z hałasem, praca ma na celu utorowanie drogi dla bardziej niezawodnych obliczeń kwantowych w erze NISQ.
Głównym wkładem tego artykułu jest przedstawienie nowatorskiego podejścia do poprawy dokładności algorytmu Variational Quantum Eigensolver (VQE) w obecności szumu kwantowego. Poprzez integrację sieci neuronowych do ekstrapolacji zerowego szumu (ZNE), badania wykazały zwiększoną wydajność obliczeń VQE w hałaśliwym środowisku. W szczególności stwierdzono, że sieci neuronowe oferują dokładniejsze wyniki, gdy są ekstrapolowane do scenariusza zerowego szumu w porównaniu z rzeczywistymi urządzeniami kwantowymi.
Czym jest wariacyjny algorytm kwantowy (Variational Quantum Eigensolver, VQE)?
Variational Quantum Eigensolver (VQE) stał się liderem w dążeniu do wykorzystania mocy komputerów kwantowych, zwłaszcza do zadań takich jak symulacja systemów kwantowych. U podstaw VQE leży hybrydowy algorytm kwantowo-klasyczny, którego celem jest określenie energii stanu podstawowego układu kwantowego.
Podejście to obejmuje parametryzację obwodu kwantowego, który jest następnie wykonywany na procesorze kwantowym w celu wytworzenia stanu. Następnie obliczana jest wartość oczekiwana tego stanu w odniesieniu do danego hamiltonianu. Klasyczne algorytmy optymalizacyjne dostosowują następnie parametry obwodu, aby zminimalizować tę wartość oczekiwaną, iteracyjnie udoskonalając stan, aż zbliży się on do stanu podstawowego systemu. Hybrydowa natura VQE, narzucająca moce zarówno obliczeń klasycznych, jak i kwantowych, czyni ją szczególnie odpowiednią dla obecnych urządzeń kwantowych, które wciąż znajdują się w początkowej, hałaśliwej fazie.
Jak szum kwantowy wpływa na obliczenia kwantowe?
Mówiąc o szumie, jest to słoń w pokoju podczas omawiania obliczeń kwantowych w świecie rzeczywistym. Podczas gdy obwody kwantowe mogą wykonywać operacje, które są zasadniczo nieosiągalne dla obwodów klasycznych, są one również podatne na różnego rodzaju szumy. Szum ten, będący konsekwencją interakcji systemów kwantowych z ich otoczeniem, wprowadza błędy, które mogą wypaczyć wyniki, czyniąc je niewiarygodnymi lub całkowicie niepoprawnymi.
Szum depolaryzacyjny, tłumienie fazy i tłumienie amplitudy to tylko kilka przykładów niezliczonych rodzajów szumów, których mogą doświadczać urządzenia kwantowe. Wyzwaniem jest zatem opracowanie metod, które mogą albo złagodzić skutki tego szumu, albo skorygować go post-facto. W tym miejscu do gry wkracza integracja ZNE z VQE przy użyciu sieci neuronowych, oferując nowatorskie podejście do poprawy dokładności obliczeń kwantowych w obecności szumu kwantowego.
Jak sieci neuronowe mogą usprawnić obliczenia kwantowe?
Badania wprowadzają nowatorskie podejście do łagodzenia wyzwań związanych z szumem kwantowym poprzez wykorzystanie sieci neuronowych do ekstrapolacji zerowego szumu (ZNE) w obliczeniach VQE. Wykorzystując strukturę Qiskit, sparametryzowane obwody kwantowe wykorzystujące ansatz RYRZ zostały stworzone i zbadane przy różnych poziomach szumu depolaryzującego.
Badania obejmowały wyznaczenie wartości oczekiwanych hamiltonianu zdefiniowanego jako iloczyn tensorowy operatorów Z przy różnym natężeniu szumu, aż po wyodrębnienie energii stanu podstawowego. Aby połączyć zaobserwowane wyniki w warunkach szumu z idealnym scenariuszem bez szumu, sieć neuronowa Feed Forward została przeszkolona w zakresie prawdopodobieństw błędów i związanych z nimi wartości oczekiwanych.
Co ciekawe, model ten skutecznie przewidział wynik VQE w hipotetycznych warunkach wolnych od szumów. Zestawiając wyniki symulacji z rzeczywistymi wykonaniami urządzeń kwantowych, ujawniono rozbieżności wywołane szumem i zaprezentowano skuteczność techniki ZNE opartej na sieci neuronowej w ich korygowaniu. To integracyjne podejście nie tylko toruje drogę do zwiększenia dokładności obliczeń VQE na urządzeniach NISQ, ale także podkreśla ogromny potencjał hybrydowych paradygmatów kwantowo-klasycznych w omijaniu wyzwań związanych z szumem kwantowym.