Quantengatter erzeugen jedoch Rauschen, was die Leistungsfähigkeit einer Quantenmaschine beeinträchtigen kann.

Forscher am MIT und anderswo arbeiten an der Lösung dieses Problems, indem sie eine Technik entwickeln, die den Quantenschaltkreis selbst resistent gegen Rauschen macht. (Konkret handelt es sich um „parametrisierte“ Quantenschaltkreise mit abstimmbaren Quantengattern.) Das Team hat ein Framework entwickelt, das den robustesten Quantenschaltkreis für eine gegebene Rechenaufgabe identifizieren und ein Abbildungsmuster generieren kann, das zu den Qubits eines spezifischen Quantengeräts passt.

Ihr Framework, QuantumNAS (noise-adaptive search), ist deutlich weniger rechenintensiv als andere Suchmethoden und kann Quantenschaltungen identifizieren, die die Genauigkeit von maschinellem Lernen und quantenchemischen Aufgaben verbessern. Als Forscher ihre Technik zur Identifizierung von Quantenschaltungen für reale Quantengeräte einsetzten, übertrafen ihre Schaltungen jene, die mit anderen Methoden generiert wurden.

„Der entscheidende Punkt ist, dass wir ohne diese Technik jede einzelne Quantenschaltungsarchitektur und jedes Mapping-Szenario im Designraum untersuchen, trainieren und evaluieren müssten. Wenn das Ergebnis nicht zufriedenstellend ist, müssten wir es verwerfen und von vorne beginnen. Mit dieser Methode hingegen können wir viele verschiedene Schaltungen und Mapping-Strategien gleichzeitig generieren, ohne sie mehrfach trainieren zu müssen“, erklärt Song Han, außerordentlicher Professor am Institut für Elektrotechnik und Informatik (EECS) und Hauptautor der Studie.

Neben Han sind Hanrui Wang und Yujun Lin, beide Doktoranden am Institut für Elektrotechnik und Informatik (EECS), Yongshan Ding, Assistenzprofessor für Informatik an der Yale University, David Z. Pan, Inhaber des Lehrstuhls für Elektrotechnik der Silicon Labs an der University of Texas at Austin, und Jiaqi Gu, Doktorand an derselben Universität, Fred Chong, Seymour Goodman Professor am Institut für Informatik der University of Chicago, sowie Zirui Li, Student an der Shanghai Jiao Tong University, die Hauptautoren der Arbeit. Die Forschungsergebnisse werden auf dem IEEE International Symposium on High-Performance Computer Architecture präsentiert.

Viele Gestaltungsmöglichkeiten

Der Aufbau eines parametrisierten Quantenschaltkreises erfordert die Auswahl einer bestimmten Anzahl von Quantengattern. Diese Gatter definieren die physikalischen Operationen, die die Qubits ausführen sollen. Dies ist keine einfache Aufgabe, da es eine Vielzahl von Gattertypen gibt. Darüber hinaus kann ein Schaltkreis beliebig viele Gatter enthalten, und die Positionen dieser Gatter – also die zugehörigen physikalischen Qubits – können variieren.

„Angesichts der vielen verschiedenen Optionen ist der Gestaltungsspielraum extrem groß. Die Herausforderung besteht darin, eine gute Schaltungsarchitektur zu entwerfen. Mit QuantumNAS wollen wir eine Architektur entwickeln, die sehr robust gegenüber Störungen ist“, sagt Wang.

Die Forscher konzentrierten sich auf variationelle Quantenschaltungen, die Quantengatter mit trainierbaren Parametern nutzen, um Aufgaben des maschinellen Lernens oder der Quantenchemie zu erlernen. Um eine solche Schaltung zu entwerfen, muss ein Forscher sie üblicherweise manuell oder mithilfe regelbasierter Methoden für eine spezifische Aufgabe entwickeln und anschließend durch einen Optimierungsprozess die idealen Parameter für jedes Quantengatter finden.

Bei der naiven Suchmethode, bei der potenzielle Schaltkreise einzeln bewertet werden, müssen die Parameter jedes Kandidaten-Quantenschaltkreises trainiert werden, was einen enormen Rechenaufwand bedeutet. Darüber hinaus muss der Forscher zunächst die optimale Anzahl an Parametern und die Schaltkreisarchitektur bestimmen.

In klassischen neuronalen Netzen erhöht die Einbeziehung weiterer Parameter üblicherweise die Genauigkeit des Modells. Im Variationsquantencomputing hingegen erfordern mehr Parameter mehr Quantengatter, was wiederum zu mehr Rauschen führt.

Mit QuantumNAS versuchen die Forscher, die Gesamtkosten für Suche und Training zu senken und gleichzeitig den Quantenschaltkreis zu identifizieren, der die ideale Anzahl an Parametern und die geeignete Architektur enthält, um die Genauigkeit zu maximieren und das Rauschen zu minimieren.

Um einen „Superschaltkreis
“ zu konstruieren, entwerfen sie zunächst einen „Superschaltkreis“, der alle möglichen parametrisierten Quantengatter im Designraum enthält. Dieser Superschaltkreis dient zur Generierung kleinerer Quantenschaltkreise, die anschließend getestet werden können.

Der SuperCircuit wird einmal trainiert, und da alle anderen Kandidatenschaltungen im Entwurfsraum Teilmengen des SuperCircuits sind, übernehmen sie die entsprechenden, bereits trainierten Parameter. Dies reduziert den Rechenaufwand des Prozesses.

Sobald der SuperCircuit trainiert ist, wird er zur Suche nach Schaltungsarchitekturen eingesetzt, die ein bestimmtes Ziel erfüllen, in diesem Fall hohe Rauschunempfindlichkeit. Der Prozess beinhaltet die gleichzeitige Suche nach Quantenschaltungen und Qubit-Abbildungen mithilfe eines sogenannten evolutionären Suchalgorithmus.

Dieser Algorithmus generiert mehrere Quantenschaltungen und Kandidaten-Qubit-Abbildungen und bewertet anschließend deren Genauigkeit mithilfe eines Rauschmodells oder auf einer realen Maschine. Die Ergebnisse werden an den Algorithmus zurückgemeldet, der die leistungsstärksten Teile auswählt und den Prozess damit wiederholt, bis die idealen Kandidaten gefunden sind.

„Wir wissen, dass verschiedene Qubits unterschiedliche Eigenschaften und Gatterfehlerraten aufweisen. Da wir nur eine Teilmenge der Qubits verwenden werden, warum nicht die zuverlässigsten? Dies können wir erreichen, indem wir gemeinsam nach der Architektur suchen und die Qubits zuordnen“, erklärt Wang.

Sobald die Forscher den optimalen Quantenschaltkreis gefunden haben, trainieren sie dessen Parameter und führen eine Quantengatter-Beschneidung durch. Dabei entfernen sie Gatter mit Werten nahe Null, da diese kaum zur Gesamtleistung beitragen. Durch das Entfernen dieser Gatter werden Rauschquellen reduziert und die Leistung auf realen Quantenmaschinen weiter verbessert. Anschließend optimieren sie die verbleibenden Parameter, um die verlorene Präzision wiederherzustellen.

Sobald dieser Schritt abgeschlossen ist, können sie den Quantenschaltkreis in einer realen Maschine einsetzen.

Als die Forscher ihre Schaltkreise an realen Quantengeräten testeten, übertrafen sie alle Vergleichsmethoden, darunter auch manuell entworfene und solche, die mit anderen Rechenmethoden erstellt wurden. In einem Experiment nutzten sie QuantumNAS, um einen rauschresistenten Quantenschaltkreis zu erzeugen, mit dem die Grundzustandsenergie eines bestimmten Moleküls abgeschätzt werden konnte – ein bedeutender Schritt in der Quantenchemie und der Wirkstoffforschung. Ihre Methode lieferte eine genauere Schätzung als alle Vergleichsmethoden.

Nachdem sie die Effektivität von QuantumNAS demonstriert haben, wollen sie diese Prinzipien nutzen, um die Parameter eines Quantenschaltkreises robuster gegenüber Rauschen zu machen. Die Forscher möchten außerdem die Skalierbarkeit eines Quanten-Neuronalnetzes verbessern, indem sie einen Quantenschaltkreis auf einer echten Quantenmaschine anstatt auf einem klassischen Computer trainieren.

Um weitere Arbeiten auf diesem Gebiet zu fördern, haben die Forscher eine Open-Source-Bibliothek namens TorchQuantum entwickelt, die Informationen über ihre Projekte, Anleitungen und Werkzeuge enthält, die von anderen Forschungsgruppen genutzt werden können.

Diese Arbeit wurde unterstützt von der National Science Foundation, dem MIT-IBM Watson AI Lab, dem Qualcomm Innovation Fellowship und dem US-Energieministerium.

###

Verfasst von Adam Zewe, MIT-Pressestelle