Jadwal Sholat

Memuat jadwal sholat…

Editorial Ilmu Komputer & AI

Open AccessOA2023

Machine learning untuk mitigasi galat kuantum yang praktis

Model machine learning dapat secara drastis mengurangi biaya komputasi mitigasi galat kuantum tanpa mengorbankan akurasi, sebagaimana ditunjukkan pada hingga 100 qubit. Pendekatan ini memperluas kepraktisan perangkat kuantum jangka pendek.
Haoran Liao; Derek S. Wang; Iskandar Sitdikov; Ciro Salcedo; A. Seif; Z. Minev· Nature Machine Intelligence· 2023· DOI 10.1038/s42256-024-00927-2

Masalah inti

Komputer kuantum telah berkembang menuju kemampuan melampaui superkomputer klasik, tetapi galat kuantum tetap menjadi hambatan utama. Dalam beberapa tahun terakhir, bidang mitigasi galat kuantum telah menyediakan strategi untuk mengatasi galat pada perangkat jangka pendek, memungkinkan akurasi yang lebih baik dengan konsekuensi tambahan waktu jalan. Namun, overhead metode mitigasi tradisional dapat menjadi penghalang bagi aplikasi praktis. Karya ini mengeksplorasi apakah machine learning klasik dapat mengurangi overhead tersebut sambil mempertahankan akurasi.

Inovasi

Para penulis mengusulkan machine learning untuk mitigasi galat kuantum (ML-QEM), yang menggunakan model machine learning klasik untuk mempelajari pemetaan dari keluaran sirkuit kuantum yang bising ke hasil yang telah dimitigasi galatnya. Mereka melakukan benchmark ML-QEM menggunakan berbagai model machine learning—regresi linear, random forest, multilayer perceptron, dan graph neural network—pada beragam kelas sirkuit kuantum, pada profil bising perangkat yang semakin kompleks, dalam kondisi interpolasi dan ekstrapolasi, serta dalam numerik maupun eksperimen. Pengujian ini menggunakan metode digital zero-noise extrapolation yang populer sebagai referensi tambahan. Eksperimen dilakukan pada komputer kuantum mutakhir menggunakan hingga 100 qubit.
Pendahuluan
Komputer kuantum telah berkembang menuju kemampuan melampaui superkomputer klasik, tetapi galat kuantum tetap menjadi hambatan utama. Dalam beberapa tahun terakhir, bidang mitigasi galat kuantum telah menyediakan strategi untuk mengatasi galat pada perangkat jangka pendek, memungkinkan akurasi yang lebih baik dengan konsekuensi tambahan waktu jalan. Namun, overhead metode mitigasi tradisional dapat menjadi penghalang bagi aplikasi praktis. Karya ini mengeksplorasi apakah machine learning klasik dapat mengurangi overhead tersebut sambil mempertahankan akurasi.

Mengapa penting

Para penulis mengusulkan jalur menuju mitigasi yang skalabel menggunakan ML-QEM untuk meniru metode mitigasi tradisional dengan efisiensi waktu jalan yang lebih unggul. Mereka berargumen bahwa machine learning klasik dapat memperluas jangkauan dan kepraktisan mitigasi galat kuantum dengan mengurangi overhead-nya dan menyoroti potensi yang lebih luas untuk komputasi kuantum praktis. Studi ini menyarankan bahwa ML-QEM dapat diintegrasikan ke dalam alur kerja yang ada untuk memungkinkan hasil yang lebih akurat pada perangkat kuantum jangka pendek tanpa penalti waktu jalan yang berlebihan.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…