- AlphaQubit, gemeinsam von Google DeepMind und dem Quantum-AI-Team entwickelt, identifiziert mithilfe von KI präzise Fehler im Inneren von Quantencomputern
- Die Technologie kann Quantencomputer zuverlässiger machen und eröffnet Innovationspotenzial in Bereichen wie Wirkstoffforschung, Materialdesign und Grundlagenphysik; Probleme, für die herkömmliche Computer Milliarden Jahre benötigen würden, könnten so in wenigen Stunden gelöst werden
- Quantenprozessoren sind jedoch anfälliger für Rauschen als herkömmliche Prozessoren. Um die Zuverlässigkeit von Quantencomputern zu erhöhen, müssen Fehler präzise erkannt und korrigiert werden
- AlphaQubit liefert eine präzise Fehlererkennung, damit Quantencomputer groß angelegte Berechnungen ausführen können – ein unverzichtbarer Schritt für wissenschaftliche Durchbrüche
Quantenfehlerkorrektur
- Quantencomputer nutzen einzigartige Eigenschaften von Materie wie Supraleitung und Verschränkung, um komplexe Probleme schneller als herkömmliche Computer zu lösen
- Der natürliche Zustand von Quantenbits (Qubits) wird jedoch leicht durch verschiedene Faktoren gestört, darunter Wärme, Vibrationen, elektromagnetische Interferenzen und kosmische Strahlung
- Bei der Quantenfehlerkorrektur werden mehrere physische Qubits zu einem logischen Qubit gruppiert; über Konsistenzprüfungen werden Fehler identifiziert und korrigiert
- AlphaQubit dient als neuronales Decoder-Modell, das diese Konsistenzprüfungsdaten nutzt, um Fehler zu erkennen
Entwicklung des neuronalen Decoders AlphaQubit
- AlphaQubit ist ein neuronaler Decoder, der die von Google entwickelte Transformer-Architektur nutzt, um auf Basis von Konsistenzprüfungen Fehler vorherzusagen
- Durch die Nutzung von Daten aus dem Sycamore-Quantenprozessor wurde das Modell mit Millionen von Fehlerbeispielen trainiert und die Genauigkeit erhöht
- Im Vergleich zu bestehenden Decodern erzielte AlphaQubit:
- eine um 6 % niedrigere Fehlerrate als tensornetzwerkbasierte Decoder (Tensornetzwerke sind präzise, aber ineffizient)
- eine um 30 % niedrigere Fehlerrate als die schnelle und zugleich präzise Methode des correlated matching
Skalierbarkeit und zukünftiges Potenzial von AlphaQubit
- AlphaQubit zeigte hervorragende Leistung in Simulationen mit Daten von 241 Qubits und mehr, also über aktuell verfügbare Systeme hinaus
- Auch in größeren Systemen bleibt AlphaQubit sehr präzise, was darauf hindeutet, dass es auch auf mittelgroßen Quantengeräten gut funktionieren könnte
- AlphaQubit kann zudem Konfidenzwerte für Ein- und Ausgaben angeben und damit künftig Verbesserungen der Quantenprozessorleistung unterstützen
- Selbst in Fehlerkorrektur-Simulationen mit bis zu mehr als 100.000 Runden blieb die Leistung stabil und belegte eine Generalisierungsfähigkeit über die Trainingsdaten hinaus
Herausforderungen auf dem Weg zum praktischen Quantencomputing
- AlphaQubit markiert einen wichtigen Meilenstein, der das Potenzial von Machine Learning in der Quantenfehlerkorrektur zeigt
- Dennoch bleiben Herausforderungen wie Geschwindigkeitsprobleme für Echtzeit-Fehlerkorrektur und Verbesserungen bei daten-effizienten Trainingsmethoden bestehen
- Das Google-Team will führende Fortschritte im Machine Learning mit der Quantenfehlerkorrektur verbinden, um zuverlässige Quantencomputer zu entwickeln
1 Kommentare
Hacker-News-Kommentare
Beim Erhalt von Quantenspeicher werden Paritätsprüfungen des Quantum-Error-Correction-Codes gemessen. Diese Paritätsprüfungen enthalten partielle Informationen über Fehler, aber keine Informationen über den logischen Zustand, sodass die logische Quanteninformation diesen Prozess kohärent übersteht.
Diese Messungen sind klassische Daten, und es ist Rechenaufwand nötig, um aus dem gemessenen Syndrom den wahrscheinlichsten aufgetretenen Fehler zu erschließen. Dieser Prozess wird Decoding genannt.
Diese Arbeit ist ein Modell, das als Decoding-Algorithmus für den Surface Code dient, einen sehr verbreiteten Quanten-Code. Der Surface Code ist gewissermaßen das Quanten-Analogon zum Repetition Code.
AlphaQubit ist eine auf einem rekurrenten Transformer basierende neuronale Netzwerkarchitektur, die auf Basis von Syndrom-Eingaben Fehler in logischen Observablen vorhersagt. Das Netzwerk wird mit Simulations-Samples vortrainiert und mit einer begrenzten Menge experimenteller Samples feinabgestimmt, wodurch es das Sycamore-Surface-Code-Experiment genauer decodiert als jeder frühere Decoder.
In einer einzelnen Fehlerkorrekturrunde im Surface Code aktualisieren X- und Z-Stabilisatorinformationen den internen Zustand des Decoders und werden als Vektor für jeden Stabilisator kodiert. Der interne Zustand wird durch mehrere Schichten eines Syndrome-Transformer-Neuronalen-Netzes verändert, das Attention und Convolutions umfasst.
Es gibt die Meinung, dass sich abgesehen vom Paper und den referenzierten Abbildungen keine detaillierte Beschreibung der Architektur finden lasse. Dabei wird angemerkt, dass Google seit 2017 ML-Methodiken nicht mehr leicht zugänglich mache.
Im Kern werde damit eine von Natur aus fehleranfällige Berechnung durch eine andere fehleranfällige Berechnung korrigiert.
Es wird die Frage aufgeworfen, wie ein klassisches System Fehler in einem Quantensystem erkennen/korrigieren kann. Man sei davon ausgegangen, dass alle Algorithmen zur Quantenfehlerkorrektur auf Qubits basieren.
Quantencomputing und AI sind eindeutig auf dem Höhepunkt des Hypes.
Es gibt die Meinung, dass es hier nichts gebe, worüber man sich beim AI-Hype beschweren könne. Es wird auch angemerkt, dass der einzige AI-Bezug zumindest halbwegs legitim klinge.
Das Ganze fühle sich an wie frühere Patente „mit Computer“.
Es gibt den scherzhaften Hinweis, dass es fast vollständig wäre, wenn man jetzt noch Kryptowährungen integriere.
Es gibt die Meinung, dass man sich mit Quantencomputern nicht gut auskenne, das Thema aber interessant finde. Außerdem wird angemerkt, dass man auf einer Teileliste für Quantencomputer offenbar alles brauche und viele GPUs nötig seien.
Es gibt die Meinung, dass man lange versucht habe, aber immer noch nicht verstehe, wie Quantencomputing funktioniert. Es werde stets so erklärt, als würde man einfach alle möglichen Kombinationen ausprobieren und dann die Antwort erhalten.