یادگیری ماشین هل محاسبات کوانتومی به جلو

محققان ایجاد کرده اند که یادگیری ماشین چارچوب به دقت کردهاید اتم به اندازه بیت کوانتومی در سیلیکون.

آن را یک گام مهم برای ساخت و ساز در مقیاس بزرگ سیلیکون کامپیوتر کوانتومی محققان گزارش.

در اینجا محمد عثمان و لوید Hollenberg از دانشگاه ملبورن توضیح تحقیقات خود را و آنچه در آن به معنی برای آینده کامپیوترهای کوانتومی:

کامپیوترهای کوانتومی در حال انتظار برای ارائه فوق العاده ای قدرت محاسباتی برای مشکلات پیچیده—در حال حاضر مقاوم حتی در ابر رایانه در زمینه طراحی دارو, داده, علم ستاره شناسی و شیمی مواد در میان دیگران.

این فن آوری بالا و استراتژیک مخاطرات معنی عمده شرکت های فن آوری به عنوان به خوبی به عنوان بلند پروازانه شروع یو پی اس و دولتی مراکز تحقیقاتی در مسابقه برای ساخت اولین بار در جهان جهانی کامپیوتر کوانتومی.

Qubits و کامپیوترهای کوانتومی

در مقابل امروز, کلاسیک, کامپیوتر, که در آن اطلاعات کد گذاری شده است در بیت (0 یا 1), کامپیوترهای کوانتومی پردازش اطلاعات ذخیره شده در بیت کوانتومی (qubits). این میزبانی مکانیک کوانتومی اشیاء مانند الکترون ها با بار منفی ذرات اتم.

کوانتومی متحده نیز می تواند دودویی و می توان در یکی از دو امکان و یا به طور موثر هر دو در همان زمان شناخته شده به عنوان برهم نهی کوانتومی—ارائه نمایی بزرگتر محاسباتی فضا با افزایش تعداد qubits.

این داده ها منحصر به فرد خرد قدرت است که بیشتر توسط گرفتاری دیگری جادویی ملک مکانیک کوانتومی که در آن دولت از یک کيوبيت قادر به دیکته کردن دولت از دیگر کيوبيت بدون هیچ اتصال فیزیکی ساخت همه آنها را 1 را به عنوان مثال. اینشتین آن را به نام “شبح وار عمل در فاصله.”

مختلف گروه های تحقیقاتی در جهان به دنبال انواع مختلف qubits داشتن هر یک مزایای خاص خود را دارد و محدودیت. برخی از qubits ارائه پتانسیل برای مقیاس پذیری در حالی که دیگران می آیند بسیار طولانی انسجام بار است که در زمانی که اطلاعات کوانتومی را می توان قوی ذخیره می شود.

Qubits در سیلیکون بسیار امیدوار کننده به عنوان آنها را هر دو. این qubits یکی از پیشتاز برای طراحی و اجرای یک مقیاس کوانتومی معماری کامپیوتر.

یک راه برای پیاده سازی در مقیاس بزرگ کوانتومی معماری کامپیوتر در سیلیکون است که با قرار دادن فرد اتم فسفر در دو بعدی شبکه.

تک و دو کيوبيتی منطقی عملیات کنترل شده توسط یک شبکه از nanoelectronic سیم تحمل برخی از شباهت به, کلاسیک, گیت های منطقی به صورت معمولی microelectronic circuits. اما کلید این طرح فوق العاده دقیق قرار دادن اتم فسفر در سیلیکون شبکه.

چه برگزاری چیز به عقب ؟

حتی با دولت از هنر ساخت فن آوری قرار دادن اتم فسفر در مکان های دقیق در سیلیکون شبکه بسیار کار چالش برانگیز است. کوچک, تغییرات, منظور از یک شبکه اتمی سایت در مواضع خود هستند و اغلب مشاهده شده و ممکن است تاثیر بسیار زیادی در کارایی دو کيوبيتی عملیات.

مشکل ناشی از فوق العاده حساس وابستگی به ارز تعامل بین الکترون qubits در اتم فسفر در سیلیکون. تبادل تعامل اساسی مکانیک کوانتومی ملک که در آن دو ذرات زیر اتمی مانند الکترون ها می توانند در فضای واقعی که خود موج توابع همپوشانی و تداخل الگوهای بسیار شبیه به دو سفر تداخل امواج در سطح آب.

تبادل تعامل بین الکترون ها در اتم فسفر qubits می توان استفاده قرار گیرد برای اجرای سریع دو کيوبيتی دروازه اما هر ناشناخته تنوع می تواند مضر به صحت کوانتومی دروازه. مانند منطق گیتس در یک کامپیوتر معمولی کوانتومی دروازه بلوک های ساختمان از یک مدار کوانتومی.

برای فسفر qubits در سیلیکون حتی یک عدم قطعیت در محل کيوبيت اتم منظور از یک شبکه اتمی سایت می توانید تغییر دهید مربوطه تبادل تعامل با سفارشات از قدر و منجر به خطا در دو کيوبيتی دروازه عملیات.

چنین خطاهای انباشته شده در طول مقیاس معماری ممکن است به شدت مانع بهره وری از کامپیوتر کوانتومی کاهش هر کوانتومی مزیت انتظار می رود با توجه به مکانیک کوانتومی خواص qubits.

تعیین کيوبيت اتم

بنابراین در سال 2016 ما کار می کرد با مرکز محاسبات کوانتومی & ارتباطات و فناوری محققان دانشگاه نیو ساوت ولز به منظور توسعه یک روش است که می تواند با دقت اشاره کردن محل دقیق از اتم فسفر در سیلیکون.

روش گزارش شده در طبیعت فناوری نانوبرای اولین بار بود با استفاده از سیتی اسکن میکروسکوپ تونل زنی (STM) تصاویری از فسفر اتم توابع موج با دقت اشاره کردن محل خود را در مکان های فضایی در سیلیکون.

تصاویر محاسبه شد با استفاده از یک چارچوب محاسباتی که اجازه الکترونیکی محاسبات انجام شود در میلیون ها اتم ها با استفاده از ملی استرالیا, ابررایانه امکانات در Pawsey ابر مرکز.

این محاسبات نقشه های تولید شده از الکترون تابع موج الگوهای که در آن تقارن روشنایی و اندازه از ویژگی های که به طور مستقیم مربوط به موقعیت یک اتم فسفر در سیلیکون شبکه که در اطراف الکترون محدود بود.

این واقعیت است که هر اهدا کننده اتم موقعیت منجر به متمایز نقشه تعیین از کيوبيت اتم مکان های شناخته شده به عنوان فضایی اندازه با یک شبکه سایت دقت به دست آمد.

روش کار بسیار خوبی در فرد کيوبيت سطح. اما چالش بزرگ بعدی بود برای ساخت یک چارچوب است که می تواند انجام این دقیق اتم های فضایی تعیین با سرعت بالا و حداقل تعامل انسان مقابله با الزامات جهانی تحمل پذیر خطا کوانتومی کامپیوتر.

یادگیری ماشین به نجات

یادگیری ماشین در حال ظهور در حوزه پژوهش است که انقلابی تقریبا در هر زمینه از تحقیقات از علم پزشکی به پردازش تصویر, رباتیک و طراحی مواد.

با دقت آموزش یادگیری ماشین الگوریتم می تواند روند بسیار مجموعه داده های بزرگ با بهره وری.

یک شعبه از یادگیری ماشین است که شناخته شده به عنوان شبکه های عصبی کانولوشن (ایسنا)—یک ابزار بسیار قدرتمند برای به رسمیت شناختن تصویر و طبقه بندی مشکلات. زمانی که سی ان ان آموزش داده شده است و بر روی هزاران نفر از تصاویر نمونه آن را می توانید دقیقا تشخیص ناشناخته تصاویر (از جمله سر و صدا) و انجام طبقه بندی.

به رسمیت شناختن است که اصل زیر بنای تاسیس مکانی اندازه از کيوبيت اتم است که اساسا شناخت و طبقه بندی ویژگی های نقشه STM تصاویر, ما تصمیم به آموزش سی ان ان در محاسبه STM تصاویر. کار منتشر شده است در NPJ محاسباتی مواد مجله.

آموزش درگیر 100,000 STM تصاویر و زمانی قابل توجه یادگیری بالاتر از 99 درصد برای سی ان ان. ما پس از آن آزمایش روت سی ان ان برای 17600 آزمون تصاویر از جمله تاری و عدم تقارن سر و صدا به طور معمول در حال حاضر در واقع گرایانه محیط های.

سی ان ان طبقه بندی شده آزمون تصاویر با دقت بالای 98% تایید است که این دستگاه مبتنی بر یادگیری تکنیک می تواند روند کيوبيت اندازه گیری داده ها با بالا توان با دقت بالا و حداقل تعامل انسان.

این روش نیز به طور بالقوه در مقیاس بالا برای qubits متشکل از بیش از یک اتم فسفر که در آن تعداد ممکن است تصویر تنظیمات را به صورت تصاعدی افزایش می دهد. اما یادگیری ماشین بر اساس چارچوب به آسانی می تواند شامل هر تعداد از تنظیمات ممکن.

در سال های آینده به عنوان تعدادی از qubits افزایش و اندازه کوانتومی دستگاه های رشد کيوبيت شناسایی از طریق دستی اندازه گیری است به احتمال زیاد بسیار به چالش کشیدن و طاقت فرسا.

این کار نشان می دهد که چگونه تکنیک یادگیری ماشین مانند توسعه یافته در این کار می تواند نقش مهمی در این جنبه از تحقق کامل در مقیاس fault-tolerant جهانی کامپیوتر کوانتومی—هدف نهایی از تحقیقات جهانی تلاش کنند.

منبع: دانشگاه ملبورن

tinyurlis.gdv.gdv.htu.nuclck.ruulvis.netshrtco.detny.im