Декодер с невронна мрежа може да намали квантовите грешки с цели 17 пъти

Една от основните пречки за появата на мащабируеми квантови компютри е необходимостта от корекция на грешките при изчисленията. Екип от учени от САЩ е открил „каскаден“ ефект при коригирането на грешките, при който грешките се намаляват по-бързо от очакваното. Моделът осигурява скорости на обработка в микросекунден мащаб и увеличава производителността чрез паралелна пакетна обработка. Разработката предполага, че надеждните квантови изчисления може да изискват по-малко кубита.

Надеждната работа на квантовите компютри изисква защита на кубитите от грешки. Самите системи за корекция обаче изискват голям брой физически кубита и бързи класически изчисления. Конволюционният декодер на невронна мрежа, създаден от изследователи от Харвардския университет, е обучен да интерпретира шаблоните на грешките директно от данните, като използва структура, която отразява геометрията на кода. Това му позволява да разпознава както прости, така и сложни конфигурации от грешки и да прилага корекцията по-ефективно.

При сравнителните тестове моделът е показал, че честотата на логическите грешки – грешки, които влияят на резултата от изчисленията – е с порядък по-ниска от често използваните методи за декодиране. В един от тестовете честотата на логическите грешки е намалена 17 пъти, а в зависимост от метода на сравнение – няколко хиляди пъти. Освен това в определени конфигурации той обработва данните хиляди и дори 100 000 пъти по-бързо, съобщава The Quantum Insider.

Освен това учените са успели да идентифицират така наречения „каскаден ефект“, който показва, че честотата на грешките намалява много по-бързо, отколкото предвиждат традиционните модели. Това откритие предполага, че квантовите компютри може да се нуждаят от около 40% по-малко кубити, отколкото се смяташе досега, за да постигнат полезна производителност.

Каскадата постига закъснения на единичните кубити от десетки микросекунди на съвременните графични процесори и дори по-бързо при пакетна обработка. Тези скорости са в рамките на бюджетите на някои квантови платформи (напр. йонните капани и неутралните атоми). По-бързите системи (свръхпроводящи кубити) може да изискват допълнителна оптимизация или специализиран хардуер.

Както при всеки метод за машинно обучение, декодерът на невронната мрежа не предлага същите теоретични гаранции като традиционните методи: той се учи от данните и може да се провали при редки или неочаквани модели. Въпреки това авторите не са наблюдавали никакви откази в тествания диапазон. Друго ограничение е размерът на модела: малките невронни мрежи се представят слабо, а големите са изчислително скъпи. Реалните квантови системи могат да дадат допълнителна променливост.

Авторите предлагат декодирането да се разглежда като неразделна част от архитектурата, а не като отделен компонент. Експерименталните платформи наскоро достигнаха физически нива на грешки, близки до нивата, при които каскадният ефект става значителен. Ако резултатите се потвърдят в практиката, устойчивите на грешки квантови компютри може да се появят по-рано.