团队与 Quantinuum 一起专注于量子电路优化
在新的研究中,谷歌 DeepMind 证明其人工智能可以帮助加速量子计算机的发展——在结合两种最具颠覆性的技术方面又向前迈出了一步。
DeepMind 与英国 Quantinuum 合作解决了容错量子计算机的一个关键挑战:减少 T 门的数量。
T 门对于实现量子电路至关重要,量子电路是操纵量子位来生成算法的门网络。然而,T 门也是网络中最昂贵、资源最密集的门。
为了解决这个问题,该团队开发了 AlphaTensor-Quantum,它是 DeepMind AlphaTensor的扩展,这是第一个可以发现矩阵乘法等任务的高效算法的人工智能系统。
AlphaTensor-Quantum 是一种AI模型,它使用深度强化学习来利用优化 T 计数和张量分解之间的关系。
与现有方法相比,该模型可以结合有关量子计算的特定领域知识,并使用“小工具化”技术,通过引入额外的量子位和操作来实现替代门。这样,AI可以显着减少T门的数量。
研究人员表示,AlphaTensor-Quantum 在 T 计数优化方面优于现有系统,并且在众多应用中与“最佳”人类设计解决方案一样高效。该团队在论文中表示,通过以完全自动化的方式优化流程,它还可以节省“数百小时”的研究时间。
Quantinuum 产品开发主管 Konstantinos Meichanetzidis 告诉 TNW:“在一组具有代表性的标准基准电路上,AlphaTensor-Quantum 与通过人工启发法获得的现有技术相比,平均将成本降低了 37%。”
DeepMind 和 Quantinuum 设想了在量子化学和相关领域的应用,并建议未来可能的研究重点是改进算法的神经网络架构。
“一般来说,该方法可以很容易地应用于任何给定的电路,与应用无关,并且相对于基线的改进直接对应于所考虑的量子算法的空间和时间成本,”Meicanetzidis 说。