Bevor ein Quantencomputer eine nützliche Aufgabe ausführen kann, muss ein Quantenalgorithmus in eine Abfolge elementarer Quantenoperationen, sogenannte Quanten-Gatter, übersetzt werden. Das effiziente Schreiben dieser Quantenschaltungen ist eines der schwierigsten ungelösten Probleme auf diesem Gebiet. Vor zwei Jahren stellte ein Team unter der Leitung von Gorka Muñoz-Gil vom Institut für Theoretische Physika eine neuartige Methode vor, um Quantenoperationen auf einem bestimmten Quantencomputer vorzubereiten. Dabei wird ein generatives Modell des maschinellen Lernens verwendet, um die geeignete Abfolge von Quantengattern zur Ausführung einer Quantenoperation zu finden.
Nun haben die Innsbrucker Forscher in Zusammenarbeit mit einem NVIDIA-Team und unter Einsatz der NVIDIA CUDA-Q-Plattform dieses Modell weiterentwickelt, um effiziente Quantenschaltungen zu generieren. Die zentrale Innovation der neuen Methode besteht darin, dass sie sowohl die strukturelle Gestaltung einer Schaltung (welche Gatter verwendet werden sollen) als auch deren numerische Parameter gleichzeitig berücksichtigt. Die daraus resultierenden Schaltungen sind deutlich kürzer als diejenigen, die mit konkurrierenden Methoden erzeugt werden, was für die heutige störungsanfällige Quantenhardware sehr wichtig ist, bei der jedes zusätzliche Gatter Fehler verursacht.
Die Leistungsfähigkeit der Methode wurde eindrucksvoll bestätigt, als die KI die etablierte Schaltung für eine Quanten-Fourier-Transformation – ein grundlegender Baustein vieler Quantenalgorithmen – eigenständig rekonstruierte, ohne dass sie die Lösung vorher kannte. Dies verdeutlicht den vielversprechenden Einsatz von KI im gesamten Bereich des Quantencomputings.
Die Forschungsarbeit, die kürzlich in der Fachzeitschrift Machine Learning: Science and Technology veröffentlicht wurde, wurde vom Österreichischen Wissenschaftsfonds FWF und vom Europäischen Forschungsrat finanziell unterstützt.
Publikation: Synthesis of discrete–continuous quantum circuits with multimodal diffusion models. Florian Fürrutter, Zohim Chandani, Ikko Hamamura, Hans J Briegel, and Gorka Muñoz-Gil. Mach. Learn.: Sci. Technol. 7 025065 DOI: 10.1088/2632-2153/ae5b21