量子シミュレーションを強化するニューラル ネットワーク ベースの戦略

最近の量子コンピューターは、物理学、化学、材料科学の基本的なタスクである量子システムの基底状態を見つけるための有望なプラットフォームを提供します。ただし、最近の方法はノイズによって制限され、最近の量子ハードウェア リソースも限られています。

カナダのウォータールー大学の研究者らは、ニューラル ネットワークを使用して、最近の量子シミュレーションを使用して取得された基底状態および基底状態の観測量の推定を改善するニューラル エラー軽減を導入しました。 。この方法の幅広い適用可能性を実証するために、研究者らはニューラル エラー軽減を利用して、変分量子固有ソルバーによって作成された H2 を見つけました。分子ハミルトニアンと格子シュウィンガー模型の基底状態。

実験結果は、ニューラル エラーの軽減により、数値的および実験的な変分量子特徴ソルバーの計算が向上し、低エネルギー エラー、高い忠実度、より複雑な解決可能性に対する堅牢性を生成することを示しています。追加の量子リソースを必要とせずに、順序パラメータやもつれエントロピーなどの量を取得できます。さらに、ニューラル エラーの軽減は、使用される量子状態準備アルゴリズム、それを実装する量子ハードウェア、実験に影響を与える特定のノイズ チャネルに依存しないため、量子シミュレーション ツールとしての多用途性に貢献します。

研究のタイトルは「短期量子シミュレーションのニューラルエラー軽減」で、2022 年 7 月 20 日に「Nature Machine」に掲載されました。 》。

20 世紀初頭以来、科学者は量子力学システムの動作を説明する包括的な理論を開発してきました。ただし、これらのシステムの研究に必要な計算コストは​​、現在の科学計算手法やハードウェアの能力を超えることがよくあります。したがって、計算上の実行不可能性が、これらの理論を科学的および技術的問題に実際に適用する上で依然として障害となっています。

量子コンピューターでの量子システムのシミュレーション (ここでは量子シミュレーションと呼びます) は、これらの障害を克服する可能性を示しており、量子コンピューターの概念と作成の背後にある基本的な原動力となっています。特に、古典的なコンピュータの能力を超えた地上および量子多体系の定常状態の量子シミュレーションは、核物理学、素粒子物理学、量子重力、物性物理学、量子化学、材料科学に大きな影響を与えることが期待されています。 。現在および近い将来の量子コンピューターの機能は、量子ビットの数やノイズの影響などの制限によって引き続き制限されます。量子エラー訂正テクノロジーは、ノイズによって引き起こされるエラーを排除し、フォールトトレラントな量子コンピューティングの方法を提供します。ただし、実際には、量子誤り訂正の実装には、必要な量子ビット数と低い誤り率の点で大きなオーバーヘッドが発生し、どちらも現在および近い将来のデバイスの能力を超えています。

フォールトトレラントな量子シミュレーションが実現できるまで、最新の変分アルゴリズムは量子ハードウェアの必要性を大幅に軽減し、ノイズの多い中規模の量子デバイスの機能を活用します。

顕著な例は、パラメータ化された量子回路の一連の変分最適化を反復するハイブリッド量子古典アルゴリズムである変分量子固有ソルバー (VQE) です。ターゲットはハミルトニアン。他の変分アルゴリズムの中でも、これは、最新のデバイスを使用して量子の利点を達成し、科学技術の複数の分野の進歩を加速するための主要な戦略となっています。

ノイズの多い中規模量子デバイスはさまざまなノイズ源や欠陥の影響を受けるため、変分量子アルゴリズムの実験的実装は多くの科学的問題にとって依然として課題です。現在、これらの問題を軽減するためのいくつかの量子誤り軽減 (QEM) 方法が提案され、実験的に検証されており、それにより、量子誤り訂正に必要な量子リソースを必要とせずに量子コンピューティングが改善されています。

通常、これらの方法では、ノイズ モデルの暗黙的な表現や、それが望ましい推定値にどのように影響するかなど、量子計算、ハードウェア実装、または量子アルゴリズム自体に影響を与えるノイズ チャネルに関する特定の情報が使用されます。観測量、準備された量子状態が存在すべき状態部分空間の特定の知識、および状態の準備と測定だけでなく、単一量子ビットおよび 2 量子ビットのゲートエラーなどの量子コンピューティングのさまざまなコンポーネントのノイズ源の特性評価と軽減エラー。

機械学習技術は最近、量子多体物理学や量子情報処理における複雑な問題を解決するツールとして再利用され、QEM への代替アプローチを提供しています。今回、ウォータールー大学の研究者らは、ニューラル エラー軽減 (NEM) と呼ばれる QEM 戦略を導入しました。これは、ニューラル ネットワークを使用して、ハミルトニアンの量子基底状態を近似的に準備する際のエラーを軽減します。

NEM アルゴリズムは 2 つのステップで構成されます。まず研究者らは、神経量子状態 (NQS) トモグラフィー (NQST) を実行し、実験的に利用可能な測定を使用して、ノイズのある量子デバイスによって準備された近似的な基底状態を表すように NQS 解析をトレーニングしました。 NQST は、従来の量子状態トモグラフィー (QST) からインスピレーションを得た、限られた数の測定値を使用して複雑な量子状態を効率的に再構築するデータ駆動型 QST 機械学習手法です。

次に、変分モンテカルロ (VMC) アルゴリズムが同じ NQS 解析 (NEM 解析とも呼ばれる) に適用され、未知の基底状態の表現が改善されます。 VQE の精神に基づき、VMC は古典的な変分解析 (NQS 解析の例では) に基づいてハミルトニアンの基底状態を近似します。

#図: NEM プログラム。 (出典: 論文)

ここで、研究者らは、NEM 分析として自己回帰生成ニューラル ネットワークを使用しました。より具体的には、Transformer アーキテクチャを使用し、モデルが適切にパフォーマンスを発揮することを示しました。 NQS。このアーキテクチャは、長距離の時間的および空間的相関をシミュレートできるため、自然言語および画像処理の分野における多くの最先端の実験で使用されており、長距離の量子相関をシミュレートできる可能性があります。 。

NEM には、他のエラー軽減手法に比べていくつかの利点があります。第一に、実験のオーバーヘッドが低いため、VQE によって準備されたノイズのある量子状態の特性を学習するために必要なのは、実験的に実行可能な単純な測定セットだけです。したがって、NEM におけるエラー軽減のオーバーヘッドは、量子リソース (つまり、追加の量子実験と測定の実行) から機械学習用の古典的なコンピューティング リソースに移されます。特に研究者らは、NEM の主なコストは収束前の VMC の実行にあると指摘しました。 NEM のもう 1 つの利点は、量子シミュレーション アルゴリズム、それを実装するデバイス、および量子シミュレーションに影響を与える特定のノイズ チャネルから独立していることです。したがって、他の QEM 技術と組み合わせて、量子アナログまたはデジタル量子回路のシミュレーションに適用することもできます。

#図: 分子ハミルトニアンの実験および数値 NEM 結果。 (出典: 論文)

NEM は、最近の量子デバイスを使用して量子観測量を推定する際に生じる測定精度の低さの問題も解決します。これは、量子観測量の正確な推定が実際のアプリケーションにとって重要である量子シミュレーションにおいて特に重要です。 NEM は基本的に、アルゴリズムの各ステップで測定精度が低いという問題を解決します。最初のステップでは、NQST は小さな推定バイアスを導入するという犠牲を払って、観察可能な推定値の分散を改善します。このバイアスと残差分散は、VMC を使用して NEM ansatz をトレーニングすることでさらに低減でき、基底状態に到達した後のエネルギー推定値の分散期待値がゼロになります。

図: 格子シュウィンガー モデルの基底状態に適用された NEM の特性。 (出典: 論文)

ansatz の VQE としてのパラメトリック量子回路の使用と、ansatz の NQST および VMC としてのニューラル ネットワークの使用を組み合わせることで、NEM は次のことを実現します。 2 つのパラメトリック量子状態ファミリーとその損失に関する 3 つの最適化問題。研究者らは、これらの国家ファミリー間の関係の性質、その損失と量子的利点について疑問を提起した。これらの関係を調べることは、量子の利点を追求する際のノイズの多い中規模の量子アルゴリズムの可能性を研究する新しい方法を提供します。これにより、古典的に扱いやすい量子システムのシミュレーションと、量子リソースを必要とするシミュレーションとの間の境界をより適切に区別することが容易になる可能性があります。

論文リンク: https://www.nature.com/articles/s42256-022-00509-0

#関連レポート: https://techxplore.com/news/2022-08-neural-networkbased-strategy-near-term-quantum.html #

以上が量子シミュレーションを強化するニューラル ネットワーク ベースの戦略の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。