DeepMind exploite la puissance de son IA pour accélérer les ordinateurs quantiques

Dans une nouvelle recherche, Google DeepMind a démontré que son IA peut contribuer à accélérer le développement de ordinateurs quantiques — aller plus loin en combinant deux des technologies les plus disruptives.

DeepMind a travaillé en collaboration avec Quantinuum, basé au Royaume-Uni, pour résoudre un défi clé dans les ordinateurs quantiques tolérants aux pannes : réduire le nombre de portes T.

Les portes T sont essentielles à la mise en œuvre d’un combien ça circule — un réseau de portes qui manipule les qubits pour générer des algorithmes. Cependant, les portes T sont également les portes les plus chères et les plus gourmandes en ressources du réseau.

Pour résoudre ce problème, l’équipe a développé AlphaTensor-Quantum, une extension de DeepMind. AlphaTenseurle premier système d’IA capable de découvrir des algorithmes efficaces pour des tâches telles que multiplication matricielle.

AlphaTensor-Quantum est un IA modèle qui exploite la relation entre l’optimisation du nombre T et la décomposition tensorielle, en utilisant l’apprentissage par renforcement profond.

Contrairement aux approches existantes, le modèle peut intégrer des connaissances spécifiques à un domaine sur le calcul quantique et utiliser des techniques de « gadgetisation », qui mettent en œuvre des portes alternatives en introduisant des qubits et des opérations supplémentaires. De cette façon, l’IA peut réduire considérablement le nombre de portes T.

Selon les chercheurs, AlphaTensor-Quantum surpasse les systèmes existants en matière d’optimisation du nombre T et est aussi efficace que les « meilleures » solutions conçues par l’homme dans de nombreuses applications. Cela peut également permettre d’économiser « des centaines d’heures » de recherche en optimisant le processus de manière entièrement automatisée, explique l’équipe dans le communiqué. papier.

DeepMind et Quantinuum envisagent des applications en chimie quantique et dans des domaines connexes, et suggèrent que d’éventuelles recherches futures pourraient se concentrer sur l’amélioration de l’architecture du réseau neuronal de l’algorithme.

Nous avons contacté Quantinuum pour obtenir des commentaires et nous mettrons à jour cet article en conséquence.