השיטה שפותחה באוניברסיטת אינסברוק מייצרת מעגלים קוונטיים המבוססים על מפרטי המשתמש ומותאמים לתכונות החומרה הקוונטית עליה יופעל המעגל. קרדיט: אוניברסיטת אינסברוק/הרלד ריטש
חוקרים פיתחו א למידת מכונה מודל שיוצר מעגלים קוונטיים מתיאורי טקסט, בדומה לאופן שבו מודלים כמו Stable Diffusion יוצרים תמונות. שיטה זו, משפרת את היעילות והסתגלות של מחשוב קוונטי.
אחד ההתפתחויות החשובות ביותר לאחרונה ב- Machine Learning (ML) הוא מודלים גנרטיביים כגון מודלים של דיפוזיה. אלו כוללים דיפוזיה יציבה ו דאל.ה, שמחוללים מהפכה בתחום יצירת התמונות. דגמים אלו מסוגלים לייצר תמונות באיכות גבוהה על סמך תיאורי טקסט.
"המודל החדש שלנו לתכנות מחשבים קוונטיים עושה את אותו הדבר, אבל במקום ליצור תמונות, הוא מייצר מעגלים קוונטיים על סמך תיאור הטקסט של הפעולה הקוונטית שיש לבצע", מסבירה גורקה מוניוז-גיל מהמחלקה לפיזיקה תיאורטית של האוניברסיטה. של אינסברוק, אוסטריה.
אתגרי מחשוב קוונטי
כדי להכין מצב קוונטי מסוים או לבצע אלגוריתם במחשב קוונטי, צריך למצוא את הרצף המתאים של שערים קוונטיים לביצוע פעולות כאלה. למרות שזה די קל במחשוב קלאסי, זה אתגר גדול במחשוב קוונטי, בשל המאפיינים המיוחדים של העולם הקוונטי. לאחרונה, מדענים רבים הציעו שיטות לבניית מעגלים קוונטיים עם שיטות רבות של למידת מכונה. עם זאת, האימון של דגמי ה-ML הללו הוא לעתים קרובות מאוד קשה בגלל הצורך לדמות מעגלים קוונטיים כפי שהמכונה לומדת. מודלים של דיפוזיה נמנעים מבעיות כאלה בשל האופן שבו הם מאומנים.
"זה מספק יתרון עצום", מסבירה גורקה מוניוז-גיל, שפיתחה את השיטה החדשה יחד עם הנס ג'יי בריגל ופלוריאן פירוטר. "יתר על כן, אנו מראים כי מודלים של דיפוזיה של דה-noising הם מדויקים בדור שלהם וגם גמישים מאוד, ומאפשרים ליצור מעגלים עם מספרים שונים של קיוביטים, כמו גם סוגים ומספרים של שערים קוונטיים."
ניתן להתאים את הדגמים גם כדי להכין מעגלים שלוקחים בחשבון את הקישוריות של החומרה הקוונטית, כלומר איך qubits מחוברים במחשב הקוונטי.
"מכיוון שייצור מעגלים חדשים הוא זול מאוד ברגע שהמודל מאומן, אפשר להשתמש בו כדי לגלות תובנות חדשות לגבי פעולות קוונטיות בעלות עניין", מכנה גורקה מוניוז-גיל פוטנציאל נוסף של השיטה החדשה.
יצירת מעגלים קוונטיים
השיטה שפותחה באוניברסיטת אינסברוק מייצרת מעגלים קוונטיים המבוססים על מפרטי המשתמש ומותאמים לתכונות החומרה הקוונטית עליה יופעל המעגל. זה מסמן צעד משמעותי קדימה בשחרור מלוא היקף המחשוב הקוונטי. העבודה פורסמה כעת ב Nature Machine Intelligence ונתמך כלכלית על ידי קרן המדע האוסטרית FWF והאיחוד האירופי, בין היתר.
