Felkorrigering av kvantbitar på torisk kod för kvantdatorer

Abstract

Potentialen för kvantdatorer är i dagsläget stor eftersom de kan komma att användas från allt till kryptering till att simulera komplexa naturvetenskapliga system. Detta är möjligt tack vare kvantdatorns kvantmekaniska egenskaper som möjliggör att kvantbitarna kan befinna sig i en superposition av två tillstånd. En av utmaningarna gällande att arbeta med kvantdatorer är att de ingående kvantbitarna är känsliga för störningar. Det kan uppstå bit- och fasflipp-fel som kan göra praktiska beräkningar omöjliga. Ett steg mot att lösa detta problem är att placera kvantbitarna på en torisk kod som skyddar mot fel och möjligt använda en avkodare för felkorrigering. I denna rapport kommer två typer av avkodare presenteras. Den första avkodaren använder ett sedan tidigare tränat artificiellt neuralt nätverk för att guida en Monte Carlo-trädsökning (MCTS). Den andra metoden bygger på att med djup förstärkningsinlärning träna ett nätverk med hjälp av MCTS. Beroende på initialtillstånd applicerar avkodaren Paulioperatorer X, Y och Z på lämpliga platser på den toriska koden fram tills det att felen är korrigerade. Det visade sig att den nätverksguidade MCTS-avkodaren hade större sannolikhet att lyckas med felkorrigeringen än tidigare algoritmer som baseras på djup förstärkningsinlärning och minimum-weight-perfect-matching (MWPM). Detta gällde för systemstorlekar d ≤ 9 fast på en liten bekostnad av tid. Nätverken som tränades med MCTS lyckades inte alltid korrigera felen men framgångsrika korrigeringar gick snabbare än MCTSavkodaren. Träningen av nätverken konvergerade dessutom snabbt mot lösningen för d ≤ 11 och potential finns för förbättring. Den fullständiga koden tillsammans med färdigtränade nätverk finns tillgänglig på projektets GitHub.