Echtzeit-„Fehlerkorrektur“ für Quantencomputer! KI, warum kommst du nicht in den Himmel?

Quantencomputer haben das Potenzial, die Arzneimittelforschung, die Materialentwicklung und die Grundlagenphysik zu revolutionieren – wenn es uns gelingt, sie jemals zum zuverlässigen Funktionieren zu bringen.

Heute wird erwartet, dass künstliche Intelligenz (KI) auch Quantencomputer revolutionieren wird .

Vor einiger Zeit hat Google AlphaQubit veröffentlicht, einen auf Transformers basierenden Decoder, der Fehler bei der Quantenberechnung mit modernster Genauigkeit identifizieren kann und so den Fortschritt beim Bau zuverlässiger Quantencomputer beschleunigt.

Google-CEO Sundar Pichai schrieb auf X: „AlphaQubit verwendet Transformers zum Dekodieren von Quantencomputern und erreicht damit einen neuen Stand der Technik bei der Genauigkeit der Quantenfehlerkorrektur . Die Schnittstelle zwischen KI und Quantencomputing ist spannend.“

Die zugehörige Forschungsarbeit mit dem Titel „Learning high-accuracy error decoding for quantum processors“ wurde in der renommierten wissenschaftlichen Zeitschrift Nature veröffentlicht.

Die genaue Identifizierung von Fehlern ist ein entscheidender Schritt, um Quantencomputer in die Lage zu versetzen, Langzeitberechnungen im großen Maßstab durchzuführen und so die Tür zu wissenschaftlichen Durchbrüchen und Entdeckungen in vielen neuen Bereichen zu öffnen.

Korrektur von Quantencomputerfehlern

Quantencomputer nutzen die einzigartigen Eigenschaften der Materie auf kleinsten Skalen, wie etwa Superposition und Verschränkung, um bestimmte Arten komplexer Probleme in weitaus weniger Schritten zu lösen als klassische Computer. Die Technologie basiert auf Quantenbits oder Qubits, die mithilfe von Quanteninterferenzen eine große Zahl von Möglichkeiten durchgehen können, um eine Antwort zu finden.

Der natürliche Quantenzustand eines Qubits kann durch alle möglichen Faktoren beeinträchtigt werden: winzige Defekte in der Hardware, Hitze, Vibrationen, elektromagnetische Störungen und sogar kosmische Strahlung (die überall vorhanden ist).

Eine Lösung bietet die Quantenfehlerkorrektur durch Redundanz: die Kombination mehrerer Qubits zu einem einzigen logischen Qubit, das regelmäßig auf Konsistenz überprüft wird. Der Decoder verwendet diese Konsistenzprüfungen, um Fehler in den logischen Qubits, die die Quanteninformationen enthalten, zu identifizieren und zu korrigieren.

Abbildung | Wie 9 physikalische Qubits (kleine graue Kreise) in einem Qubit-Gitter mit einer Seitenlänge von 3 (Codedistanz) logische Qubits bilden. Bei jedem Zeitschritt führen 8 weitere Qubits Konsistenzprüfungen durch (quadratische und halbkreisförmige Bereiche, blau und magenta, wenn sie fehlschlagen, andernfalls grau) und liefern Informationen an das AlphaQubit. Am Ende des Experiments stellt AlphaQubit fest, welche Fehler aufgetreten sind.

Erstellen eines neuronalen Netzwerk-Decoders

AlphaQubit ist ein auf neuronalen Netzwerken basierender Decoder, der auf der von Google entwickelten Deep-Learning-Architektur Transformers basiert, die die Grundlage für viele der heutigen großen Sprachmodelle (LLMs) bildet. Seine Aufgabe besteht darin, anhand einer Konsistenzprüfung als Eingabe korrekt vorherzusagen, ob das Messergebnis des logischen Qubits am Ende des Experiments das Gegenteil des Ergebnisses zum Zeitpunkt der Vorbereitung ist.

Das Forschungsteam trainierte das Modell zunächst, um einen Satz von 49 Qubits an Daten aus dem Sycamore-Quantenprozessor, der zentralen Recheneinheit eines Quantencomputers, zu dekodieren. Um AlphaQubit beizubringen, ein allgemeines Dekodierungsproblem zu lösen, verwendeten sie einen Quantensimulator, um Hunderte Millionen Beispiele mit unterschiedlichen Setups und Fehlerstufen zu generieren. Anschließend optimierten sie AlphaQubit für eine bestimmte Dekodierungsaufgabe, indem sie ihm Tausende experimenteller Samples von einem bestimmten Sycamore-Prozessor zuführten.

Beim Test mit den neuen Sycamore-Daten setzt AlphaQubit im Vergleich zu früheren Spitzendecodern einen neuen Genauigkeitsstandard. Im Sycamore-Experiment mit dem größten Maßstab erreichte AlphaQubit eine um 6 % niedrigere Fehlerrate als ein Tensornetzwerkansatz, der zwar eine hohe Genauigkeit aufweist, aber sehr langsam ist. AlphaQubit weist außerdem eine um 30 Prozent niedrigere Fehlerrate auf als Correlation Matching, ein genauer Decoder, der schnell genug für eine Skalierung ist.

Abbildung | Dekodierungsgenauigkeit kleiner und großer Sycamore-Experimente (Distanz 3 = 17 physikalische Qubits, Distanz 5 = 49 physikalische Qubits). AlphaQubit ist genauer als Tensornetzwerke (TNs), ein Ansatz, der sich nicht auf große Experimente skalieren lässt, und Correlation Matching, ein genauer Decoder, dessen Geschwindigkeit skaliert.

Verallgemeinerung über die Trainingsdaten hinaus

Um zu verstehen, wie sich AlphaQubit auf größere Geräte mit niedrigeren Fehlerraten skalieren lässt, trainierte das Team es mit Daten aus simulierten Quantensystemen mit bis zu 241 Qubits, was die Fähigkeiten der Sycamore-Plattform überstieg.

Ebenso übertraf AlphaQubit den führenden Algorithmus-Decoder, was darauf hindeutet, dass es in Zukunft auch in mittelgroßen Quantengeräten eingesetzt werden könnte.

Abbildung | Dekodierungsgenauigkeit verschiedener Skalen/Simulationsexperimente von Distanz 3 (17 Qubits) bis Distanz 11 (241 Qubits). Der Tensornetzwerk-Decoder ist in dieser Abbildung nicht dargestellt, da er für den Betrieb über große Entfernungen zu langsam ist. Die Genauigkeit der anderen beiden Decoder verbessert sich mit zunehmender Entfernung (d. h. durch die Verwendung von mehr physischen Bits). Bei jeder Entfernung ist AlphaQubit genauer als die Korrelationsübereinstimmung.

AlphaQubit weist außerdem erweiterte Funktionen auf, beispielsweise das Akzeptieren und Melden von Vertrauensstufen für Ein- und Ausgaben. Diese informationsreichen Schnittstellen könnten dazu beitragen, die Leistung von Quantenprozessoren weiter zu verbessern.

Als das Forschungsteam AlphaQubit anhand von Beispielen trainierte, die bis zu 25 Runden Fehlerkorrektur enthielten, behielt es in Simulationen für bis zu 100.000 Runden eine gute Leistung bei und demonstrierte damit seine Fähigkeit zur Verallgemeinerung auf Szenarien jenseits der Trainingsdaten.

Echtzeit-Fehlerkorrektur muss noch beschleunigt werden

Laut Google ist AlphaQubit ein wichtiger Meilenstein bei der Nutzung von maschinellem Lernen zur Quantenfehlerkorrektur. Allerdings stehen sie hinsichtlich Geschwindigkeit und Skalierbarkeit noch immer vor erheblichen Herausforderungen.

Beispielsweise wird in einem schnellen supraleitenden Quantenprozessor jede Konsistenzprüfung eine Million Mal pro Sekunde gemessen. Obwohl AlphaQubit Fehler hervorragend genau identifizieren kann, ist es immer noch zu langsam, um sie in einem supraleitenden Prozessor in Echtzeit zu korrigieren. Mit der Weiterentwicklung des Quantencomputings könnten kommerzielle Anwendungen Millionen von Qubits erfordern, was dringend dateneffizientere Methoden zum Trainieren KI-basierter Decoder erfordert.

Zusammengestellt von: Academic Jun