क्लासिक मशीन सीखने के साथ क्वांटम कंप्यूटिंग में सुधार

पाठ्यक्रम में एक नए सूत्र की शुरुआत की प्रत्याशा में "पायथन में तंत्रिका नेटवर्क" ने आपके लिए एक दिलचस्प लेख का अनुवाद तैयार किया है।

---

क्वांटम कंप्यूटर की नई पीढ़ी को लागू करने में मुख्य समस्याओं में से एक उनके सबसे बुनियादी ग्राहक में निहित है: qubit । क्यूबिट्स तत्काल आसपास के क्षेत्र में किसी भी वस्तु के साथ बातचीत कर सकते हैं जो ऊर्जा को अपने स्वयं के भटकने वाले फोटोन (यानी अवांछित विद्युत चुम्बकीय क्षेत्र, फोनन (क्वांटम डिवाइस के यांत्रिक कंपन) या क्वांटम दोष (विनिर्माण चरण के दौरान दिखाई देने वाली चिप की सतह पर अनियमितता) के करीब स्थानांतरित करते हैं ,) जो अप्रत्याशित रूप से अपने दम पर क्वेट की स्थिति को बदल सकता है।

मामला कई कार्यों से जटिल है जो कि क्वबिट को नियंत्रित करने के लिए उपयोग किए जाने वाले टूल को डालते हैं। क्यूबिट्स को शास्त्रीय विधियों द्वारा संसाधित और पढ़ा जाता है: विद्युत चुम्बकीय क्षेत्रों के रूप में एनालॉग सिग्नल, एक भौतिक बोर्ड के साथ मिलकर जिसमें एक qubit बनाया जाता है, उदाहरण के लिए, एक सुपरकंडक्टिंग माइक्रोक्रेसीट। नियंत्रण इलेक्ट्रॉनिक्स में संक्रमण (सफेद शोर के लिए अग्रणी), बाहरी विकिरण स्रोतों से हस्तक्षेप और डिजिटल-से-अनुरूप कन्वर्टर्स में उतार-चढ़ाव और भी अधिक स्टोकेस्टिक त्रुटियों को जन्म देते हैं जो क्वांटम माइक्रोकिरिस्क के संचालन को खराब करते हैं। ये व्यावहारिक मुद्दे गणना की सटीकता को प्रभावित करते हैं और इस प्रकार, क्वांटम उपकरणों की आगामी पीढ़ी के आवेदन को सीमित करते हैं।

क्वांटम कंप्यूटरों की कंप्यूटिंग शक्ति बढ़ाने और बड़े पैमाने पर क्वांटम कंप्यूटिंग के रास्ते खोलने के लिए, भौतिक मॉडल बनाने के लिए सबसे पहले आवश्यक है कि इन प्रायोगिक समस्याओं का सटीक वर्णन करें।

नेचर पार्टनर जर्नल (npj) क्वांटम इंफॉर्मेशन (https://www.nature.com/npjqi/articles) में प्रकाशित लेख "यूनिवर्सल क्वांटम कंट्रोल इन डीप रिनफोर्स लर्निंग" के माध्यम से , हमने गहन सीखने के लिए बनाए गए क्वांटम कंट्रोल की एक नई संरचना की शुरुआत की। सुदृढीकरण के साथ जिसमें क्वांटम नियंत्रण के अनुकूलन की व्यावहारिक समस्याओं को एक एकल नुकसान फ़ंक्शन के साथ समझाया जा सकता है। विचाराधीन संरचना, क्वांटम गेट की औसत त्रुटि में कमी के लिए क्रमिक वंश के मानक स्टोचैस्टिक समाधानों की तुलना में परिमाण के दो आदेशों और गेट सिंथेस एनालॉग्स के इष्टतम मूल्यों के लिए गेट समय में महत्वपूर्ण कमी प्रदान करता है। हमारे परिणाम निकट भविष्य में क्वांटम मॉडलिंग, क्वांटम रसायन और क्वांटम उत्कृष्टता परीक्षणों के लिए नए क्षितिज खोलते हैं।

इस क्वांटम नियंत्रण प्रतिमान की नवीनता एक क्वांटम नियंत्रण समारोह के विकास और सुदृढीकरण के साथ गहन सीखने पर आधारित एक प्रभावी अनुकूलन विधि है। एक व्यापक नुकसान फ़ंक्शन विकसित करने के लिए, हमें सबसे पहले एक यथार्थवादी क्वांटम नियंत्रण प्रक्रिया का एक भौतिक मॉडल विकसित करने की आवश्यकता है जिसमें हम त्रुटि की भयावहता का सटीक अनुमान लगा सकते हैं। क्वांटम कंप्यूटिंग की सटीकता का मूल्यांकन करने में सबसे कष्टप्रद गलतियों में से एक रिसाव है: गणना के दौरान खोई गई क्वांटम जानकारी की मात्रा। इस तरह का रिसाव आमतौर पर तब होता है जब एक क्वांटम की क्वांटम स्थिति उच्च ऊर्जा स्तर पर या सहज उत्सर्जन के कारण कम हो जाती है। रिसाव की त्रुटि के कारण, न केवल उपयोगी क्वांटम जानकारी खो जाती है, यह "क्वांटमनेस" को भी कम कर देता है और अंततः एक शास्त्रीय वास्तुकला वाले कंप्यूटर के प्रदर्शन के लिए क्वांटम कंप्यूटर के प्रदर्शन को कम कर देता है।

एक क्वांटम गणना के दौरान खोई गई जानकारी का सही आकलन करने के लिए एक आम अभ्यास पहले संपूर्ण गणना को मॉडल करना है। हालांकि, यह बड़े पैमाने पर क्वांटम कंप्यूटर बनाने के पूरे बिंदु की उपेक्षा करता है, क्योंकि उनका लाभ यह है कि वे शास्त्रीय कंप्यूटरों के लिए असंभव गणना करने में सक्षम हैं। भौतिक मॉडलिंग में सुधार के साथ, हमारा सामान्य नुकसान फ़ंक्शन हमें संयुक्त रूप से संचित रिसाव त्रुटियों, नियंत्रण सीमा शर्तों के उल्लंघन, कुल वाल्व समय और वाल्व सटीकता का अनुकूलन करने की अनुमति देता है।

नए नुकसान प्रबंधन फ़ंक्शन के साथ, इसे कम करने के लिए एक प्रभावी अनुकूलन उपकरण का उपयोग करने के लिए अगला कदम है। मौजूदा अनुकूलन विधियाँ उच्च-सटीक समाधानों की खोज करने के लिए पर्याप्त नहीं हैं जो उतार-चढ़ाव को नियंत्रित करने के लिए विश्वसनीय हैं। इसके बजाय, हम सुदृढीकरण (आरएल), आरएल - एक विश्वसनीय क्षेत्र के साथ गहन सीखने की ऑन-पॉलिसी पद्धति के आधार पर एक विधि का उपयोग करते हैं । चूंकि यह विधि सभी परीक्षण कार्यों में अच्छे प्रदर्शन को प्रदर्शित करती है, इसलिए यह स्वाभाविक रूप से नमूना शोर के लिए प्रतिरोधी है और सैकड़ों लाखों नियंत्रण मापदंडों के साथ जटिल नियंत्रण समस्याओं का अनुकूलन कर सकता है। इस ऑन-पॉलिसी आरएल विधि और पहले अध्ययन किए गए ऑफ-पॉलिसी आरएल तरीकों के बीच एक महत्वपूर्ण अंतर यह है कि प्रबंधन नीति को नुकसान प्रबंधन के स्वतंत्र रूप से प्रस्तुत किया जाता है। दूसरी ओर, सभी आरएल नीतियां, जैसे क्यू-लर्निंग , नियंत्रण पथ और संबंधित इनाम का प्रतिनिधित्व करने के लिए एक एकल तंत्रिका नेटवर्क का उपयोग करती हैं, जहां नियंत्रण प्रक्षेपवक्र नियंत्रण संकेतों को निर्धारित करता है जो अलग-अलग उपायों पर क्वैब से जुड़े होने चाहिए, और संबंधित इनाम उपाय कितना अच्छा है। क्वांटम नियंत्रण।

ऑन-पॉलिसी आरएल अच्छी तरह से नियंत्रण पथों में गैर-स्थानीय सुविधाओं का उपयोग करने की अपनी क्षमता के लिए जाना जाता है, जो तब महत्वपूर्ण हो जाता है जब नियंत्रण परिदृश्य बहुआयामी और गैर-वैश्विक समाधानों की एक बड़ी संख्या के साथ पैक किया जाता है, जैसा कि अक्सर क्वांटम सिस्टम के मामले में होता है।

हम नियंत्रण पथ को तीन-परत, पूरी तरह से जुड़े तंत्रिका नेटवर्क - एनएन नीति और दूसरे तंत्रिका नेटवर्क - एनएन मूल्य में नियंत्रण हानि फ़ंक्शन में एन्कोड करते हैं, जो कि छूट वाले भविष्य के पुरस्कार को दर्शाता है। विश्वसनीय नियंत्रण समाधान सुदृढीकरण सीखने वाले एजेंटों के साथ प्राप्त किए गए थे जो दोनों तंत्रिका नेटवर्क को एक स्टोकैस्टिक वातावरण में प्रशिक्षित करते हैं जो यथार्थवादी शोर नियंत्रण का अनुकरण करता है। हम लगातार दो-मात्रा वाले क्वांटम गेट्स के एक सेट को नियंत्रित करने के लिए एक समाधान प्रदान करते हैं, जो क्वांटम रसायन विज्ञान के लिए आवेदन में विशेष महत्व रखते हैं, लेकिन गेट के एक मानक सार्वभौमिक सेट का उपयोग करके लागू करना बहुत महंगा है।



इस नई संरचना के ढांचे के भीतर, हमारे संख्यात्मक सिमुलेशन में क्वांटम गेट्स की त्रुटियों में सौ गुना कमी और गेट्स के एक सार्वभौमिक सेट का उपयोग करके पारंपरिक दृष्टिकोण की तुलना में मैग्नेट के निरंतर क्रमबद्ध सिमुलेशन क्वांटम गेट्स के परिवार के लिए एक समय में कमी देखी गई है।

यह काम नई मशीन सीखने के तरीकों और नवीनतम क्वांटम एल्गोरिदम का उपयोग करने के महत्व पर जोर देता है जो एक सार्वभौमिक क्वांटम नियंत्रण सर्किट के लचीलेपन और अतिरिक्त प्रसंस्करण शक्ति का उपयोग करते हैं। मशीन सीखने को पूरी तरह से एकीकृत करने और कम्प्यूटेशनल क्षमताओं को बढ़ाने के लिए, इस काम में जो दिया गया था, उसके समान अतिरिक्त प्रयोगों का संचालन करना आवश्यक है।