.
Pesquisadores do Centro RIKEN de Computação Quântica usaram aprendizado de máquina para realizar correção de erros em computadores quânticos – um passo crucial para tornar esses dispositivos práticos – usando um sistema de correção autônomo que, apesar de aproximado, pode determinar com eficiência a melhor forma de fazer o necessário. correções.
Em contraste com os computadores clássicos, que operam em bits que só podem assumir os valores básicos 0 e 1, os computadores quânticos operam em “qubits”, que podem assumir qualquer superposição dos estados da base computacional. Em combinação com o emaranhamento quântico, outra característica quântica que conecta diferentes qubits além dos meios clássicos, isto permite que os computadores quânticos realizem operações inteiramente novas, dando origem a vantagens potenciais em algumas tarefas computacionais, como pesquisas em grande escala, problemas de otimização e criptografia.
O principal desafio para colocar em prática os computadores quânticos decorre da natureza extremamente frágil das superposições quânticas. Na verdade, pequenas perturbações induzidas, por exemplo, pela presença omnipresente de um ambiente dão origem a erros que destroem rapidamente as superposições quânticas e, como consequência, os computadores quânticos perdem a sua vantagem.
Para superar este obstáculo, foram desenvolvidos métodos sofisticados de correção quântica de erros. Embora possam, em teoria, neutralizar com sucesso o efeito dos erros, muitas vezes acarretam uma enorme sobrecarga na complexidade do dispositivo, que por si só é propenso a erros e, portanto, potencialmente até aumenta a exposição a erros. Como consequência, a correção completa de erros permaneceu indefinida.
Neste trabalho, os pesquisadores aproveitaram o aprendizado de máquina na busca por esquemas de correção de erros que minimizem a sobrecarga do dispositivo, mantendo um bom desempenho de correção de erros. Para este fim, eles se concentraram em uma abordagem autônoma para correção quântica de erros, onde um ambiente artificial inteligentemente projetado substitui a necessidade de realizar medições frequentes de detecção de erros. Eles também analisaram as “codificações qubit bosônicas”, que estão, por exemplo, disponíveis e utilizadas em algumas das máquinas de computação quântica mais promissoras e difundidas atualmente, baseadas em circuitos supercondutores.
Encontrar candidatos de alto desempenho no vasto espaço de busca de codificações qubit bosônicas representa uma tarefa complexa de otimização, que os pesquisadores abordam com aprendizado por reforço, um método avançado de aprendizado de máquina, onde um agente explora um ambiente possivelmente abstrato para aprender e otimizar sua política de ação. Com isso, o grupo descobriu que uma codificação qubit surpreendentemente simples e aproximada poderia não apenas reduzir bastante a complexidade do dispositivo em comparação com outras codificações propostas, mas também superar seus concorrentes em termos de capacidade de corrigir erros.
Yexiong Zeng, o primeiro autor do artigo, diz: “Nosso trabalho não apenas demonstra o potencial de implantação de aprendizado de máquina para correção de erros quânticos, mas também pode nos aproximar um passo da implementação bem-sucedida da correção de erros quânticos em experimentos”.
De acordo com Franco Nori, “o aprendizado de máquina pode desempenhar um papel fundamental no enfrentamento de desafios de otimização e computação quântica em grande escala. Atualmente, estamos ativamente envolvidos em vários projetos que integram aprendizado de máquina, redes neurais artificiais, correção de erros quânticos e tecnologia quântica. tolerância ao erro.”
.
