Onderzoekers van het Indian Institute of Technology Madras hebben een machine learning-techniek ontwikkeld om ruis in kwantumcomputers snel te identificeren en te verminderen, een belangrijke stap in de richting van het betrouwbaarder maken van deze transformatieve technologie. De aanpak van het team, beschreven in Advanced Quantum Technologies, traint kunstmatige neurale netwerken om verstoringen die qubits beïnvloeden sneller en nauwkeuriger op te sporen dan traditionele methoden.
De Quantum-uitdaging: fragiele Qubits
Kwantumcomputers beloven ongekende verwerkingskracht door gebruik te maken van qubits. In tegenstelling tot standaard computerbits (0 of 1) bestaan qubits tegelijkertijd in meerdere toestanden. Hierdoor kunnen ze problemen aanpakken die zelfs buiten het bereik van de krachtigste supercomputers liggen, waaronder de ontdekking van geneesmiddelen, materiaalkunde en het kraken van codes. Qubits zijn echter notoir gevoelig: elke externe interactie kan ervoor zorgen dat ze hun kwantumeigenschappen verliezen (de zogenaamde decoherentie ), waardoor berekeningen onbruikbaar worden.
Waarom dit ertoe doet: Het kernprobleem is niet alleen dat qubits kwetsbaar zijn, maar dat het identificeren en beheersen van de bron van de kwetsbaarheid een langzaam en complex proces is geweest. Onderzoekers hebben lange tijd moeite gehad om deze verstoringen effectief te meten en te corrigeren, waardoor praktische kwantumcomputers worden belemmerd.
AI-aangedreven ruisspectroscopie
Het IIT Madras-team omzeilde dit knelpunt door gebruik te maken van machine learning. Ze trainden neurale netwerken op gesimuleerde gegevens die qubit-verstoringen nabootsten en testten ze vervolgens op de kwantumprocessors van IBM. Het resultaat: een AI-systeem dat ruispatronen sneller kan diagnosticeren dan traditionele methoden.
“We maken gebruik van kunstmatige neurale netwerken die zijn getraind op goed ontworpen synthetische gegevens voor een snelle voorspelling van de ruiskenmerken met minimaal verlies aan nauwkeurigheid”, legt professor Siddharth Dhomkar, co-auteur van het onderzoek, uit.
Deze aanpak weerspiegelt technieken voor beeldherkenning, waarbij computers leren objecten uit grote datasets te identificeren. Het neurale netwerk identificeert ruispatronen in echte experimentele gegevens in een fractie van de tijd die nodig zou zijn bij het gebruik van conventionele kwantumprotocollen.
Validatie op IBM Quantum-processors
De methode is met succes getest op de supergeleidende qubits van IBM, die functioneren als kwantumbits door gebruik te maken van kleine elektrische circuits die zijn afgekoeld tot bijna het absolute nulpunt. De AI diagnosticeerde ruisvariaties in deze qubits en stelde gerichte onderdrukkingsstrategieën voor. De onderzoekers zijn van plan de techniek te gebruiken om qubits in verschillende laboratoria over de hele wereld te benchmarken en te vergelijken.
De impact: Snellere ruisdiagnose betekent effectievere qubit-controle, wat leidt tot verbeterde prestaties en het potentieel voor schaalbare quantum computing-architecturen.
Voorbij supergeleidende qubits: een universele aanpak
De werkwijze van het team beperkt zich niet tot supergeleidende qubits. Het is ontworpen om hardware-agnostisch te zijn, wat betekent dat het kan worden aangepast aan andere qubit-technologieën, waaronder optische spin-systemen. Deze flexibiliteit is cruciaal gezien de voortdurende experimenten met verschillende quantum computing-benaderingen.
Het team ontwikkelt nu AI-methoden om complexere geluiden aan te pakken en aangepaste kwantumbewerkingen te ontwerpen, zelfs voor imperfecte hardware. Het uiteindelijke doel is om kwantumcomputers te creëren die robuuster en betrouwbaarder zijn, waardoor deze technologie dichter bij toepassingen in de echte wereld komt.
De weg naar praktische kwantumcomputing blijft lang, maar deze studie toont een duidelijk pad voorwaarts: door machines te leren de verborgen verstoringen die qubits teisteren te begrijpen en tegen te gaan, versnellen onderzoekers de reis naar een kwantumtoekomst.
