Добавить в корзинуПозвонить
Найти в Дзене

Нейросеть научилась предсказывать ошибки в работе квантовых компьютеров

Специалисты из Сандийской национальной лаборатории создали инновационную методику, позволяющую заранее определять вероятность возникновения сбоев в работе квантовых вычислительных систем еще до запуска процессов. Сами разработчики проводят аналогию с попыткой угадать, сможет ли старый музыкальный автомат воспроизвести выбранную мелодию, прежде чем пользователь опустит в него монету. Теоретически квантовые компьютеры обладают потенциалом для решения сложнейших задач со скоростью, недоступной обычным суперкомпьютерам, пишет Tech Xplore. Однако на практике функционирование таких машин постоянно подвергается искажениям из-за физических ошибок, что делает результаты вычислений неточными и существенно тормозит развитие всей технологии. В основе новой модели лежит нейросеть, которая анализирует цифровой снимок планируемой квантовой программы. Алгоритм с высокой точностью прогнозирует, какие именно физические сбои могут произойти при выполнении кода на реальном оборудовании, после чего преобра

Специалисты из Сандийской национальной лаборатории создали инновационную методику, позволяющую заранее определять вероятность возникновения сбоев в работе квантовых вычислительных систем еще до запуска процессов. Сами разработчики проводят аналогию с попыткой угадать, сможет ли старый музыкальный автомат воспроизвести выбранную мелодию, прежде чем пользователь опустит в него монету.

Теоретически квантовые компьютеры обладают потенциалом для решения сложнейших задач со скоростью, недоступной обычным суперкомпьютерам, пишет Tech Xplore. Однако на практике функционирование таких машин постоянно подвергается искажениям из-за физических ошибок, что делает результаты вычислений неточными и существенно тормозит развитие всей технологии.

В основе новой модели лежит нейросеть, которая анализирует цифровой снимок планируемой квантовой программы. Алгоритм с высокой точностью прогнозирует, какие именно физические сбои могут произойти при выполнении кода на реальном оборудовании, после чего преобразует эти данные в математическую формулу для расчета вероятности успешного решения задачи.

Система обучается на массиве данных, содержащем информацию как об успешных, так и о неудачных запусках, что снижает потребность в постоянном использовании дорогостоящего оборудования. Такая разработка поможет исследователям заранее понимать, какие вычисления можно эффективно провести на существующих мощностях, а какие обречены на провал.

Ученые убеждены, что предложенный метод значительно ускорит процесс создания следующего поколения вычислительных машин. Исключение заведомо неэффективных исследований позволит сэкономить значительные временные и материальные ресурсы, направив усилия на наиболее перспективные направления разработки.