Квантовые компьютеры обещают огромные вычислительные мощности, но природа квантовых состояний делает вычисления и данные «шумными» по своей сути. Учёные из Университета Райса разработали алгоритмы, учитывающие не просто случайный, но и злонамеренный шум. Их работа может помочь сделать квантовые компьютеры более точными и надёжными.
В обычном компьютере информация хранится в битах — 0 или 1 — и может быть считана напрямую. В квантовом компьютере информация хранится в квантовом состоянии, которое подразумевает множество сосуществующих вероятностей, не сводимых к какому-либо одному значению.
Каждый раз, когда квантовое состояние измеряется, эта множественность коллапсирует в единственный случайный исход.
«Согласно законам квантовой механики, наблюдение за квантовым состоянием часто „разрушает“ его, приводя к случайному измерению, которое раскрывает лишь частичную информацию об этом состоянии», — сказал Юхан Лю, научный сотрудник Университета Райса и ведущий автор статьи, принятой к публикации на конференции Института инженеров электротехники и электроники (IEEE) Symposium on Foundations of Computer Science, где она будет представлена в декабре.
Изучение квантового состояния
Изучение квантового состояния иногда также называют квантовой томографией состояния: подобно тому как медицинское сканирование объединяет поперечные сечения для реконструкции органа в трёх измерениях, томография в квантовых вычислениях использует несколько копий квантового состояния для его реконструкции. Этот метод имеет решающее значение для тестирования квантового оборудования, проверки квантовых алгоритмов и обеспечения надёжности квантовых технологий.
Квантовые устройства в настоящее время находятся на стадии разработки, получившей название NISQ (Noisy Intermediate-Scale Quantum), что означает, что они склонны к ошибкам: крошечные возмущения в окружающей среде, где расположено квантовое устройство, неожиданные сбои на физическом уровне оборудования или другие проблемы с калибровкой могут легко повредить квантовые системы, внося ошибки в измерения. Это означает, что для изучения квантового состояния одной из самых больших проблем является обработка квантового шума.
«Учёные пытались найти разные способы моделирования этого шума», — сказала Най-Хуэй Чиа, доцент кафедры компьютерных наук в Университете Райса и соавтор исследования. Многие модели предполагают, что шум возникает случайным образом или равномерно, но команда из Райса представила более надёжную и реалистичную модель, учитывающую не только случайные ошибки, но и возможность целенаправленного вмешательства.
«Наша модель сильна в том смысле, что она также учитывает нефзические и потенциально злонамеренные факторы, которые могут повлиять на систему», — сказала Чиа. «Наша цель здесь состояла в том, чтобы увидеть, сможем ли мы разработать хороший алгоритм для сертификации устройств или выполнения других задач, чтобы мы были защищены от преднамеренной атаки противника».
Команда представила и исследовала эту новую модель, показав, что она может давать оптимальные результаты при наличии «достаточно большого» количества копий квантового состояния. Исследователи также определили критерии как для максимальной производительности, так и для сбоёв.
«Мы хотели понять фундаментальные ограничения: каков максимальный уровень коррупции, который алгоритм может выдержать, после чего не будет надежды на точное изучение информации?» — сказал Лю. «Эти вопросы очень важны как в теории, так и на практике».
Ответ приносит как хорошие, так и плохие новости. «Плохая новость заключается в том, что для некоторых состояний обучение при наличии злонамеренного шума практически невозможно», — сказал Лю. «Противнику нужно лишь изменить экспоненциально малую долю состояний или измерений, чтобы полностью обмануть любой алгоритм обучения».
Но это происходит только для состояний, которые «выглядят как чистый шум», что в любом случае было бы бесполезно для вычислений. «Хорошая новость заключается в том, что для большого класса хорошо структурированных состояний, которые часто используются во многих квантовых алгоритмах, можно достичь достаточно хорошей точности, даже когда шум добавляется злонамеренно», — сказал Лю.
Для продвижения за пределы стадии NISQ квантовые технологии должны продолжать совершенствовать стратегии эффективной обработки шума. Одним из способов решения этой задачи является точная настройка базовых физических систем, в которых размещены квантовые состояния.
Перспективные новые открытия в области двумерных материалов приближают создание более «тихого» и стабильного квантового оборудования, и исследователи из Райса находятся в авангарде этих исследований.
Symposium on Foundations of Computer Science, where it will be presented in December. \”Quantum state learning studies how to accurately translate quantum information by using multiple copies of the quantum state.\””,”Quantum state learning is sometimes also called quantum state tomography: Just as a medical scan pieces together cross sections to reconstruct an organ in three dimensions, tomography in quantum computing uses multiple copies of a quantum state to reconstruct it. The method is critical for benchmarking quantum hardware, validating quantum algorithms and ensuring the reliability of quantum technologies.”,”Quantum devices are currently in a stage of development dubbed NISQ for \”noisy intermediate-scale quantum,\” meaning they tend to be error prone: Tiny disturbances in the environment where a quantum device is located, unexpected disruptions at the physical hardware level or other calibration issues can easily corrupt quantum systems, introducing measurement errors. This means that for quantum state learning, handling quantum noise is one of the biggest challenges.”,”\”Scientists have tried to find different ways to model this noise,\” said Nai-Hui Chia, assistant professor of computer science at Rice and co-corresponding author on the study.”,”Many models assume noise occurs randomly or uniformly, but the Rice team introduced a more robust and realistic framework that considers not just random error but also the possibility of targeted interference.”,”\”Our model is strong in the sense that it also considers nonphysical and potentially malicious factors that may affect the system,\” Chia said. \”Our goal here was to see if we could design a good algorithm to certify devices or do other tasks such that we would be secure against a deliberate attack by an adversary.\””,”The team introduced and investigated this new framework, showing it could deliver optimal results provided a \”sufficiently large\” number of copies of a quantum state. The researchers also mapped the criteria for both peak performance and failure.”,”\”We wanted to understand the fundamental limits: What is the maximum level of corruption the algorithm can endure, beyond which there would be no hope to learn the information accurately?\” Liu said. \”These questions are very important both in theory and in practice.\””,”The answer brings both good news and bad.”,”\”The bad news is that for some states, learning under adversarial noise is nearly impossible,\” Liu said. \”An adversary only needs to change an exponentially small fraction of the states or measurements to totally fool any learning algorithm.\””,”But this happens only for states that \”look like pure noise,\” which would be useless for computation anyway.”,”\”The good news is that for a large class of well-structured states that are frequently used in many quantum algorithms, it is possible to achieve reasonably good accuracy, even when the noise is added maliciously,\” Liu said.”,”While it was designed to deal with a problem in quantum computing, the new adversarially robust framework relied heavily on nonquantum statistical and algorithmic tools. For Liu, the work builds on the insight that while some problems may look like quantum problems, \”when you dig inside, the core difficulty relies on techniques from classical statistics and algorithms.\””,”Maryam Aliakbarpour, a Rice computer scientist who studies learning theory—i.e., how machine learning works as a computational process—contributed guidance and expertise on the classical side of the research.”,”\”I design algorithms that solve statistical problems under realistic constraints, and some of the things I consider in my work were directly relevant here,\” said Aliakbarpour, Rice’s Michael B. Yuen and Sandra A. Tsai Assistant Professor in the Department of Computer Science. \”This problem was a true collaboration.\””,”To move past the NISQ stage, quantum technology will have to continue to improve strategies for effectively handling noise. One avenue for doing so is to fine-tune the underlying physical systems that host quantum states.”,”Promising new discoveries in two-dimensional materials are edging closer to \”quieter\” and more stable quantum hardware, and Rice researchers are at the forefront of this exploration: Just a few examples of recent advances include wrinkles with stable electron spin texture, strategic 2D metal layers that stage phonon interference and carefully tuned 3D structures known as optical cavities that coax exotic quantum behaviors into being.”,”Another front for tackling the issue is at the software level: Quantum algorithms that are attuned to the complex and delicate nature of quantum states are critical for advancing quantum computing. The new adversarially robust framework developed by Aliakbarpour, Chia and Liu, together with Vladimir Braverman, an adjunct professor of computer science at Rice, offers a creative algorithmic approach to dealing with quantum computers’ noisiness.”,”\n\t\t\t\t\t\t\t\t\t\t\t\t\tProvided by\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\tRice University\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t”,”\n\t\t\t\t\t\t\tMore from Quantum Physics\n\t\t\t\t\t\t “]’>Источник