Китайские исследователи предложили суррогатную модель, сокращающую обращения к квантовым компьютерам на 99,98%
Команда из Henan Key Laboratory of Quantum Information and Quantum Cryptography под руководством Huang Heliang предложила способ выполнять значительную часть квантовых вычислительных задач на обычных компьютерах. Исследователи обучают классическую суррогатную модель на данных, полученных с реальных квантовых процессоров. После такого обучения она способна предсказывать их результаты без постоянных обращений к квантовому оборудованию. Работа опубликована в Nature Communications.
Высокая стоимость квантовых систем по‑прежнему остаётся серьёзным ограничением. Сверхпроводящая установка всего с несколькими десятками кубитов стоит десятки миллионов юаней и требует больших объёмов жидкого гелия для охлаждения. Есть и другая проблема: низкая частота повторений квантовых процессоров. Из‑за этого заметно замедляются итеративные задачи, например вариационные квантовые алгоритмы.
Исследователи предложили две модели. Первая, h_cs, предназначена для схем с независимыми параметрами, вторая, h_qs, для схем с коррелированными параметрами. Обе обучаются на небольшом наборе экспериментальных квантовых данных, после чего классическая модель начинает предсказывать выход квантового компьютера.
В тестах на системах до 42 сверхпроводящих кубитов при задаче вариационного квантового собственно-значного решателя потребовалось лишь 0.023% измерительных обращений по сравнению с традиционными методами. После 100 шагов оптимизации стандартный подход показывал ошибку 0.21. Модель с предварительным обучением давала 0.09, а после минимальной квантовой донастройки результат снижался до 0.07.
Во второй задаче, определении Floquet symmetry-protected topological phases, модель воспроизвела характеристики фазовых переходов по всему пространству параметров и продемонстрировала близкое соответствие теоретическим предсказаниям. Huang ранее участвовал в китайской команде по применению суперкомпьютеров, которая получила Gordon Bell Prize в 2021 году за моделирование крупномасштабных квантовых случайных схем в реальном времени. Теперь авторы собираются расширить метод на более крупные системы, тем более что существующие квантовые платформы уже достигают сотен кубитов.
Ключевые факты
Команда Henan Key Laboratory of Quantum Information and Quantum Cryptography под руководством Huang Heliang опубликовала в Nature Communications метод обучения классической surrogate‑модели на данных реальных квантовых процессоров.
Разработаны две модели, h_cs для квантовых схем с независимыми параметрами и h_qs для схем с коррелированными параметрами.
В тестах на системах до 42 сверхпроводящих кубитов в задаче variational quantum eigensolver модель использовала 0.023% измерительных вызовов по сравнению с традиционными методами.
После 100 шагов традиционная оптимизация показала ошибку 0.21, тогда как surrogate‑предобученная модель достигла ошибки 0.09 и была улучшена до 0.07 после минимальной квантовой донастройки.