研究表明，利用人工智能可以在噪声中实现高保真量子计算

光子盒研究院出品

最近发表于npj Quantum Information的一篇论文中，大阪大学科学与工业研究所(SANKEN)领导的研究团队训练了一个深度神经网络(DNN)，保证在环境噪声中也能正确地确定量子比特的输出态。该团队的新方法可能会使量子计算机得到更广泛的应用。

现代计算机是基于二进制逻辑的，其中每个比特都被限制为1或0。但由于量子力学中的奇怪规则，新的实验系统允许量子比特处于1和0的“叠加”状态，以此来实现更大的计算能力。例如，被限制在量子点(quantum dot)上的电子自旋可以同时向上和向下。然而，当一个比特的最终状态被读出时，它就会恢复到固定为一个或另一个方向的经典行为。所以为了使量子计算足够可靠，就需要创建新的系统，即使信号中有很多噪声，也能准确记录每个量子比特的输出。

现在，由SANKEN领导的一组科学家团队使用了一种被称为深度神经网络(DNN)的机器学习方法来识别量子点上电子的自旋方向所产生的信号。

合著者Takafumi Fujita解释道：“我们开发了一种基于深度神经网络的分类器，即使在有噪声信号的情况下也能精确测量量子比特状态。”

DNN分类器架构和测量装置

在实验系统中，只有具有特定自旋方向的电子才能留下一个量子点。当这种情况发生时，会产生一个临时的电压增强“信号”。

该团队训练了机器学习算法，从噪声中挑出这些信号。他们使用的深度神经网络有一个卷积神经网络来识别重要的信号特征，结合一个循环神经网络来监测时间序列数据。

半导体自旋量子比特器件

同样是论文作者的Akira Oiwa表示：“我们的方法简化了学习过程，以适应可能因情况而异的强烈干扰。”该团队首先通过添加模拟噪声和漂移来测试分类器的鲁棒性。然后，他们训练算法，处理来自一组量子点阵列的实际数据，并达到了超过95%的准确率。

这项研究的结果为未来量子计算机中大规模量子比特阵列的高保真测量提供了可能。

DNN分类方法的噪声鲁棒性

论文链接：

https://www.nature.com/articles/s41534-021-00470-7

—End—

相关阅读：

光子盒将为中国境内的研究机构和企业提供一个免费的垂直招聘信息发布渠道，欢迎有需求的机构或企业直接联系光子盒。（微信：Hordcore）

你可能会错过：