A computação quântica, apesar de sua capacidade de superar os sistemas clássicos em determinadas tarefas, enfrenta um grande desafio: a correção de erros. Os sistemas quânticos são muito sensíveis ao ruído e mesmo as menores perturbações ambientais podem levar a erros computacionais, afetando os resultados esperados. Ao contrário dos sistemas clássicos, que podem usar iteração através de múltiplos bits para lidar com erros, a correção quântica de erros é mais complexa devido à natureza dos qubits e à sua suscetibilidade a erros como diafonia e vazamento. Para alcançar um desempenho de computação quântica tolerante a falhas, as taxas de erro devem ser reduzidas a níveis bem abaixo das capacidades atuais do hardware quântico. Este continua a ser um dos principais obstáculos ao avanço da computação quântica para além da fase experimental.
AlphaQubit: um decodificador baseado em IA para detecção de erros quânticos
A pesquisa do Google evoluiu AlphaQubitum decodificador baseado em IA que detecta erros de computação quântica com alta precisão. AlphaQubit usa uma rede neural iterativa baseada em transformador para registrar erros no principal esquema de correção de erros da computação quântica, conhecido como código de área. Usando um transformador, AlphaQubit aprende a interpretar as informações da síndrome do ruído, fornecendo uma forma que supera os algoritmos existentes no Google. Sicômoro processador quântico para códigos de superfície de níveis 3 e 5 e demonstra seu poder em níveis de até 11 em ambientes simulados. O método usa treinamento em dois estágios, primeiro aprendendo com dados sintéticos e depois ajustando dados do mundo real do processador Sycamore. Essa adaptabilidade permite que AlphaQubit aprenda distribuições de erros complexas sem depender apenas de modelos teóricos – uma vantagem importante para lidar com ruído quântico do mundo real.
Detalhes técnicos
AlphaQubit depende de aprendizado de máquina, em particular aprendizado profundo, para compreender defeitos quânticos. O decodificador é baseado em uma combinação de redes neurais generalizadas de novo construção de transformadoro que permite analisar erros quânticos usando os dados históricos de medição do estábulo. Os estabilizadores representam relacionamentos entre qubits físicos que, quando perturbados, refletem erros potenciais em qubits lógicos. AlphaQubit atualiza as condições internas com base em múltiplas rodadas de medições de correção de erros, aprendendo efetivamente quais tipos de erros são prováveis de ocorrer em condições do mundo real, incluindo fontes de ruído como debate de novo vazamento.
Este modelo difere dos decodificadores convencionais em suas capacidades de processamento e processamento dados de medição suavesque são valores contínuos que fornecem informações mais ricas do que resultados binários simples (0 ou 1). Isso resulta em maior precisão, pois o AlphaQubit pode usar sinais sutis que outros decodificadores, que tratam a entrada como binária, podem perder. Nos testes, o AlphaQubit demonstrou sucesso consistente na manutenção de baixas taxas de erro lógico em comparação com decodificadores tradicionais, como peso equivalente mínimo (MWPM) de novo decodificadores de rede tensorial.
O desenvolvimento do AlphaQubit é importante por vários motivos. Primeiro, enfatiza o uso de inteligência artificial para melhorar a correção quântica de errosque mostra como o aprendizado de máquina pode enfrentar os desafios decorrentes da aleatoriedade e da complexidade dos sistemas quânticos. Este trabalho supera os resultados de outros métodos de correção de erros e apresenta uma solução confiável para futuros sistemas quânticos.
Na configuração do teste, AlphaQubit obteve um erro razoável por ciclo (LER) de medição 2,901% na 3ª série de novo 2,748% na 5ª sérieele supera o decodificador de rede tensorial anterior, cujos valores LER estavam estagnados 3,028% de novo 2,915% respectivamente. Isto representa um desenvolvimento que sugere que os descodificadores orientados por IA podem desempenhar um papel fundamental na redução da sobrecarga necessária para manter a consistência lógica em sistemas quânticos. Além disso, o AlphaQubit transformador recorrente A arquitetura é dimensionada de forma eficaz, proporcionando benefícios de desempenho em níveis de código mais elevados, como o nível 11, onde muitos decodificadores tradicionais enfrentam desafios.
Outra característica importante é o AlphaQubit adaptabilidade. O modelo passa por uma fase inicial de treinamento com dados sintéticos, seguida de ajuste fino com dados de teste do processador Sycamore, permitindo que ele aprenda diretamente com o ambiente em que será utilizado. Esta abordagem melhora muito a sua confiabilidade, tornando-a mais adequada para uso em computadores quânticos complexos do mundo real, onde os modelos de ruído tradicionais podem ser imprecisos ou excessivamente simplistas.
A conclusão
AlphaQubit representa um avanço lógico na busca por uma computação quântica livre de erros. Ao combinar técnicas avançadas de aprendizado de máquina, o Google Research mostrou que a IA pode superar as limitações dos métodos tradicionais de correção de erros, lidando com tipos de áudio complexos e variados de forma mais eficaz. A capacidade de adaptação ao treinamento do mundo real também garante que o AlphaQubit permaneça funcional à medida que o hardware quântico muda, reduzindo potencialmente a quantidade de hardware necessária para cada qubit lógico e diminuindo os custos operacionais. Com seus resultados promissores, a AlphaQubit está participando da transformação da computação quântica em realidade, abrindo caminho para avanços em áreas como criptografia e ciência de materiais.
Confira Papel e detalhes. 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 SubReddit de 55k + ML.
[FREE AI VIRTUAL CONFERENCE] SmallCon: Conferência Virtual GenAI gratuita com. Meta, Mistral, Salesforce, Harvey AI e mais. Junte-se a nós em 11 de dezembro para este evento de visualização gratuito para aprender o que é necessário para construir grande com pequenos modelos de pioneiros em IA como Meta, Mistral AI, Salesforce, Harvey AI, Upstage, Nubank, Nvidia, Hugging Face e muito mais.
Asif Razzaq é o CEO da Marktechpost Media Inc. Como empresário e engenheiro visionário, Asif está empenhado em aproveitar o poder da Inteligência Artificial em benefício da sociedade. Seu mais recente empreendimento é o lançamento da Plataforma de Mídia de Inteligência Artificial, Marktechpost, que se destaca por sua ampla cobertura de histórias de aprendizado de máquina e aprendizado profundo que parecem tecnicamente sólidas e facilmente compreendidas por um amplo público. A plataforma possui mais de 2 milhões de visualizações mensais, o que mostra sua popularidade entre o público.
🐝🐝 Leia este relatório de pesquisa de IA da Kili Technology 'Avaliação de vulnerabilidade de um modelo de linguagem grande: uma análise comparativa de métodos de passagem vermelha'
