Gokul Subramanian Ravi
Gokul Subramanian Ravi aloitti omansa CIF-jäsenyys syyskuussa 2020 saatuaan tohtorin tutkinnon (keskittynyt tietokonearkkitehtuuriin) University of Wisconsin-Madison elokuussa 2020. Gokul on tällä hetkellä osoitteessa University of Chicago työskentelee kvanttilaskennan parissa Frederic Chong, Professori Seymour Goodman Tietojenkäsittelytieteen alalta. Linkissä ovat hänen bloginsa variaatiokvanttialgoritmit ja tuo lisää klassiset tietokonearkkitehdit kvanttimaailmaan. Gokul on tällä hetkellä 2022-23 akateemisilla työmarkkinoilla.
Loppuosa tästä viestistä on Gokul Ravin kirjoittama
Nykyinen projekti
Kvanttilaskenta on häiritsevä teknologinen paradigma, joka voi mullistaa tietojenkäsittelyn ja siten myös maailman. Kolmen vuosikymmenen aikana kvanttilaskennan lupaus on vähitellen vahvistunut algoritmien teoreettisten edistysten ja laiteteknologian kokeellisten edistysten ansiosta, joita molempia usein tavoitellaan erillään.
Mutta kun kvanttilaitteet ovat muuttumassa laboratoriouteliaisuudesta tekniseksi todellisuudeksi, on elintärkeää rakentaa tietojenkäsittelyekosysteemi, jonka pitäisi aktiivisesti parantaa lyhyen aikavälin (NISQ: Noisy Intermediate Scale Quantum) ja pitkän aikavälin (FT: Fault Tolerant) kvanttikoneet tavalla, joka tuntee hyvin kohdekvanttisovellusten tarpeet. Tietokonearkkitehdit ovat erityisen kriittisiä tälle pyrkimykselle, koska he ovat taitavia kuromaan umpeen tietokuilun laskentapinon eri kerrosten välillä ja heillä on asteittain kertynyt asiantuntemusta tiukasti rajoitettujen ja erittäin optimoitujen järjestelmien rakentamisesta – tämä on korvaamatonta kvanttilaskennan tulevaisuuden kannalta.
Kvanttitietokonearkkitehtina, joka on koulutettu sekä kvantti- että klassiseen laskemiseen, jatkotutkinnoni on keskittynyt hybridi-kvantti-klassisen laskennan ekosysteemin rakentamiseen käytännön kvanttiedun saavuttamiseksi. Tähän on sisältynyt klassisten laskentaperiaatteiden hyödyntäminen sekä materiaalissa että filosofiassa, minkä ansiosta olen voinut johtaa jännittäviä kvanttiprojekteja, jotka kohdistavat: a) Mukautuvaan virheiden lieventämiseen ja klassiseen tukeen variaatiokvanttialgoritmeille (VAQEM, CAFQA ja QISMET); b) Tehokas kvanttiresurssien hallinta (QManager ja Quancorde); ja c) Skaalautuva dekoodaus kvanttivirheen korjausta varten (Valitse).
CAFQA:n korostamiseksi esimerkkinä: Variaatiokvanttialgoritmit ovat lupaavimpia sovelluksia lyhyen aikavälin kvanttietujen saavuttamiseksi, ja niitä voidaan soveltaa useisiin ongelmiin, kuten kvanttimonikehojärjestelmien simulointiin. VQA:t luottavat parametroidun piirin iteratiiviseen optimointiin suhteessa tavoitefunktioon. Koska kvanttikoneet ovat meluisia ja kalliita resursseja, on välttämätöntä valita klassisesti VQA:n alkuperäiset parametrit mahdollisimman lähelle optimaalisia, jotta voidaan parantaa VQA-tarkkuutta ja nopeuttaa niiden lähentymistä nykypäivän laitteissa. CAFQA:ssa nämä alkuparametrit valitaan etsimällä tehokkaasti ja skaalautuvasti kvanttiavaruuden klassisen simuloitavan osan läpi (tunnetaan nimellä Clifford-avaruus) käyttämällä Bayesin optimointiin perustuvaa diskreettihakutekniikkaa.
Vaikutus
Ensinnäkin näillä hankkeilla on ollut merkittäviä määrällisiä vaikutuksia. Yllä olevassa esimerkissä VQA:iden alustus CAFQA:lla palauttaa jopa 99.99 % epätarkkuudesta, joka on kadonnut aikaisemmissa uusimman tekniikan klassisissa alustusmenetelmissä. Toisena esimerkkinä ehdotimme kryogeenistä dekooderia kvanttivirheen korjaukseen nimeltä Clique, joka eliminoi 70-99+% virheenkorjauksen dekoodauskaistanleveydestä (laimennusjääkaapin sisään ja ulos) erittäin alhaisilla laitteistokustannuksilla. Myös muut ehdotuksemme ovat tuottaneet merkittäviä parannuksia kvanttitarkkuuteen ja yleiseen suoritustehokkuuteen.
Toiseksi nämä tutkimussuunnat ovat avanneet ovia erilaisille uusille ideoille kvanttilaskennan ja klassisen laskennan risteyksessä, mikä mahdollisesti laajentaa klassisen laskennan monipuolista osaamista omaavien tutkijoiden osallistumista.
Lisätutkimus
Muita tutkimusalueita, joita jatkan, ovat: a) Uusien kohdekvanttisovellusten tunnistaminen, jotka hyötyvät klassisesta tuesta; b) Erilaisten kvanttiteknologioiden melunvaimennustekniikoiden tutkiminen; c) yrittää edelleen vähentää virheenkorjauksen kvanttiklassisia pullonkauloja; ja d) Erilaisten sovellusten ja teknologian hallinta kvanttipilvessä.
