Os computadores quânticos são uma tecnologia revolucionária que utiliza os princípios da mecânica quântica para realizar cálculos que não podem ser feitos em computadores clássicos. Testar o desempenho de computadores quânticos tem sido uma tarefa desafiadora devido à sua sensibilidade ao ruído, à complexidade dos algoritmos quânticos e à disponibilidade limitada de hardware de computação quântica poderoso. A não inclusão de erros de propagação de ruído pode afetar muito a precisão dos cálculos quânticos. Os pesquisadores fizeram várias tentativas para analisar como o ruído afeta a capacidade dos computadores quânticos de realizar cálculos úteis.
Os pesquisadores do Google enfrentam o desafio de testar o desempenho de um computador quântico na era do ruído quântico de escala intermediária barulhento (NISQ), onde os processadores quânticos são mais suscetíveis ao ruído. O problema fundamental é determinar se os sistemas quânticos, apesar das suas limitações de ruído, podem superar os supercomputadores clássicos em certas tarefas computacionais. A pesquisa se concentra na compreensão de como os computadores quânticos se comportam sob ruído e se podem exibir ganho quântico – um marco na computação quântica.
A amostragem de circuito aleatório (RCS) emergiu como o método líder para testar processadores quânticos e foi introduzida em 2019. As operações RCS são computacionalmente difíceis para computadores clássicos devido ao crescimento exponencial de informações, como a escala dos circuitos quânticos. O principal problema é que os computadores clássicos lutam para simular ou amostrar a distribuição da saída de um circuito quântico à medida que o volume do circuito aumenta. O RCS mede o volume do circuito quântico, um indicador chave de desempenho, que ajuda a identificar quando os sistemas quânticos podem superar os supercomputadores clássicos, mesmo na presença de ruído. A pesquisa do Google mostrou um aumento duas vezes no volume regional, mantendo a mesma confiabilidade dos benchmarks anteriores. Este desenvolvimento sugere que sistemas quânticos ruidosos ainda podem fornecer valor prático para a execução de tarefas além das capacidades clássicas.
O método proposto envolve a medição de dispositivos quânticos usando RCS para medir a fidelidade, medindo o quão próximo um processador quântico barulhento imita um sistema ideal e livre de ruído. Os pesquisadores introduziram o benchmarking de entropia cruzada de patches (XEB), um método para garantir a confiabilidade dividindo um processador quântico completo em patches menores. Os cálculos XEB desses patches fornecem uma maneira viável de medir a confiabilidade de grandes circuitos. A pesquisa confirma que apesar do ruído, os processadores quânticos atuais como o Sycamore são capazes de alcançar resultados além do clássico, dobrando a capacidade do circuito em comparação aos testes anteriores, mantendo a confiabilidade. Ele também identifica mudanças de fase no comportamento do RCS com base na potência do ruído e na profundidade do circuito, confirmando ainda mais a confiabilidade do RCS para computadores quânticos experimentais.
Junto com o efeito do ruído nos processadores quânticos, os pesquisadores do Google descobriram duas mudanças diferentes causadas pelo ruído. Em ambientes de baixo ruído, os computadores quânticos podem atingir potência computacional total. No entanto, altos níveis de ruído podem criar subsistemas desconectados, facilitando a simulação de seus efeitos por computadores primitivos. Esta transição de fase ajuda a determinar se os computadores quânticos são mais eficientes que os computadores clássicos. O processador Sycamore opera em regime de baixo ruído, o que garante sua vantagem quântica.
Concluindo, os pesquisadores do Google fornecem um passo importante em direção à computação quântica tolerante a falhas, mostrando como a amostragem aleatória de regiões pode medir efetivamente o desempenho quântico na presença de ruído. A descoberta das transições de fase induzidas por ruído fornece uma nova maneira de compreender o comportamento dos processadores quânticos sob diferentes condições.
Confira Papel de novo Detalhes aqui. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso Mais de 50k ML SubReddit.
[Upcoming Live Webinar- Oct 29, 2024] Melhor plataforma para modelos ajustados: mecanismo de inferência Predibase (avançado)
Pragati Jhunjhunwala é estagiário de consultoria na MarktechPost. Atualmente, ele está cursando bacharelado em tecnologia no Instituto Indiano de Tecnologia (IIT), Kharagpur. Ele é um entusiasta de tecnologia e tem grande interesse em uma ampla gama de aplicativos de software e ciência de dados. Ele está constantemente aprendendo sobre os desenvolvimentos nos vários campos de IA e ML.
