ترجمه فارسی مقاله آموزش شبکه عصبی کوانتومی یک گره تکرارکننده

چکیده

The construction of robust and scalable quantum gates is a uniquely hard problem in the field of quantum computing. Real-world quantum computers suffer from many forms of noise, characterized by the decoherence and relaxation times of a quantum circuit, which make it very hard to construct efficient quantum algorithms. One example is a quantum repeater node, a circuit that swaps the states of two entangled input and output qubits. Robust quantum repeaters are a necessary building block of long-distance quantum networks. A solution exists for this problem, known as a swap gate, but its noise tolerance is poor. Machine learning may hold the key to efficient and robust quantum algorithm design, as demonstrated by its ability to learn to control other noisy and highly nonlinear systems. Here, a quantum neural network (QNN) is constructed to perform the swap operation and compare a trained QNN solution to the standard swap gate. The system of qubits and QNN is constructed in MATLAB and trained under ideal conditions before noise is artificially added to the system to test robustness. We find that the QNN easily generalizes for two qubits and can be scaled up to more qubits without additional training. We also find that as the number of qubits increases, the noise tolerance increases with it, meaning a sufficiently large system can produce extremely noise-tolerant results. This begins to explore the ability of neural networks to construct those robust systems.

چکیده به فارسی (ترجمه ماشینی)

ساخت دروازه های کوانتومی قوی و مقیاس پذیر یک مشکل منحصر به فرد سخت در زمینه محاسبات کوانتومی است.رایانه های کوانتومی در دنیای واقعی از اشکال بسیاری از سر و صدا رنج می برند ، که با دوران دکوراسیون و آرامش یک مدار کوانتومی مشخص می شود ، که ساخت الگوریتم های کوانتومی کارآمد را بسیار سخت می کند.یک مثال یک گره تکرار کننده کوانتومی است ، مدار که حالت های دو ورودی و خروجی ورودی و خروجی را تعویض می کند.تکرار کننده های کوانتومی قوی یک ساختمان ضروری از شبکه های کوانتومی از راه دور هستند.راه حلی برای این مشکل وجود دارد ، که به عنوان یک دروازه مبادله شناخته می شود ، اما تحمل سر و صدای آن ضعیف است.یادگیری ماشین ممکن است کلید طراحی الگوریتم کوانتومی کارآمد و قوی را در خود جای دهد ، همانطور که از توانایی آن در یادگیری کنترل سایر سیستم های پر سر و صدا و بسیار غیرخطی نشان داده شده است.در اینجا ، یک شبکه عصبی کوانتومی (QNN) برای انجام عملیات مبادله و مقایسه یک راه حل QNN آموزش دیده با دروازه تعویض استاندارد ساخته شده است.سیستم Qubits و QNN در MATLAB ساخته شده و در شرایط ایده آل قبل از اینکه نویز به صورت مصنوعی به سیستم اضافه شود ، برای آزمایش استحکام آموزش داده می شود.ما می دانیم که QNN به راحتی برای دو Qubits تعمیم می یابد و بدون آموزش اضافی می تواند تا حد بیشتری را اندازه گیری کند.ما همچنین می دانیم که با افزایش تعداد Qubits ، تحمل نویز با آن افزایش می یابد ، به این معنی که یک سیستم به اندازه کافی بزرگ می تواند نتایج بسیار تحمل نویز را به همراه داشته باشد.این امر به بررسی توانایی شبکه های عصبی در ساخت آن سیستم های قوی می پردازد.