Clear Sky Science
Evidensbaserade, jargonsnåla förklaringar

Clear Sky Science · sv

Demonstration of efficient predictive surrogates for large-scale quantum processors

· Tillbaka till index

Varför detta spelar roll för framtidens beräkningar

Kvantdatorer lovar att hantera problem som dagens maskiner inte klarar av, från att simulera nya material till att utforska exotiska materietillstånd. Men toppmoderna kvantprocessorer är dyra, känsliga och få, vilket begränsar vem som kan använda dem och hur ofta. Denna studie introducerar ett sätt att ”flaska in” den typiska beteendet hos en stor kvantprocessor i en effektiv klassisk modell, så att många uppgifter kan utföras på en vanlig dator efter endast begränsad åtkomst till den verkliga kvantapparaten.

Figure 1. En liten klassisk modell lär sig att efterlikna en stor brusig kvantkrets så att många förutsägelser inte kräver fler kvantkörningar.
Figure 1. En liten klassisk modell lär sig att efterlikna en stor brusig kvantkrets så att många förutsägelser inte kräver fler kvantkörningar.

Att fånga ett kvantdators fingeravtryck

Författarna fokuserar på en nyckelstorhet som förekommer i många kvantalgoritmer: medelvärdet av en mätning gjord efter att ett kvantcircuit körts på en brusig processor. Istället för att simulera varje mikroskopisk detalj bygger de vad de kallar prediktiva surrogat. Det är klassiska inlärningsmodeller tränade på data insamlade från en verklig supraledande kvantkristall. När surrogatet väl är tränat kan det snabbt förutsäga mätmedelvärden för nya circuitinställningar utan att röra kvantmaskinvaran igen, och det reflekterar automatiskt den verkliga kretsens brus och imperfektioner.

Två typer av digitala ersättare

Teamet utformar och analyserar två typer av surrogat lämpade för olika användningsfall. Det första, kallat hcs, hanterar kretsar vars styrparametrar varierar oberoende och stöder många lokala mätningar samtidigt. Det bygger på idén om klassiska skuggor, en teknik som komprimerar information från randomiserade mätningar till en kompakt klassisk representation. Det andra, kallat hqs, riktar sig mot situationer där många parametrar i kretsen är länkade, som ofta sker i kvantsimuleringar av material, kemi eller maskininlärning. Det är utformat för att fungera med korrelerade ingångar dragna från godtyckliga fördelningar, vilket bättre matchar realistiska vetenskapliga arbetsflöden.

Att sätta ersättarna i arbete

För att testa dessa idéer använder forskarna en supraledande kvantprocessor med upp till 42 fungerande qubits. De visar först att hcs pålitligt kan förutsäga energin i en modell för en kvantmagnet, en endimensionell transversal fält Ising-modell, över många val av modellens parametrar. De använder sedan detta surrogat för att förtränad en allmänt använd rutin kallad variational quantum eigensolver. Optimeringen utförs helt på en klassisk dator styrd av surrogatet, och kontrolleras och förfinas först senare något på den faktiska kvantkretsen. Detta tillvägagångssätt minskar antalet nödvändiga kvantmätningar med flera storleksordningar, samtidigt som det når lägre energieestimat än att köra hela kvantoptimeringen från början.

Avslöja dolda faser i drivet materia

Det andra surrogatet, hqs, tillämpas på en mer exotisk uppgift: att identifiera speciella faser i en kedja av spin som periodiskt drivs i tiden, kända som Floquet-symmetribeskyddade topologiska faser. Traditionellt kräver kartläggning av dessa faser många repetitiva mätningar på kvantapparaten när styrinställningarna förändras. Istället tränar författarna en familj av surrogat som lär sig hur den lokala magnetiseringen längs kedjan svarar på drivningen. Genom att enbart använda klassiska beräkningar med de tränade modellerna rekonstruerar de signaturer av långlivade kantoscillationer och lokaliserar övergången mellan den skyddade fasen och en termisk, funktionslös fas, i överensstämmelse med direkta experiment på kvantmaskinvara.

Figure 2. Genom att träna på ett fåtal kvantkörningar förutser modellen energier och fasbeteenden över många inställningar helt klassiskt.
Figure 2. Genom att träna på ett fåtal kvantkörningar förutser modellen energier och fasbeteenden över många inställningar helt klassiskt.

Vad detta betyder för tillgången till kvantkraft

Genom att bevisa att dessa surrogat kan tränas effektivt och visa att de skalerar till tiotals qubits på en verklig enhet, tyder arbetet på ett nytt sätt att dela knappa kvantresurser. Ett begränsat antal mätningar på en avancerad processor kan destilleras till en återanvändbar klassisk modell som många användare kan fråga billigt. Även om sådana surrogat inte ersätter kvantdatorer, kan de kraftigt minska hur ofta vi behöver köra dem för uppgifter baserade på medelvärden av mätningar, och därmed föra praktiska kvantstödda studier av material, kemi och nya materietillstånd närmare vardaglig vetenskaplig användning.

Citering: Liao, WY., Du, Y., Wang, X. et al. Demonstration of efficient predictive surrogates for large-scale quantum processors. Nat Commun 17, 4731 (2026). https://doi.org/10.1038/s41467-026-72506-5

Nyckelord: quantum processors, predictive surrogate models, variational quantum eigensolver, digital quantum simulation, Floquet phases

Läs mer på forskargruppens webbplats: http://staff.ustc.edu.cn/~quanhhl/