15.10.2025
Version in English

Hyödyntämällä tekoälyn tuoreimpia edistysaskeleita QMill on kehittänyt ennätyksellisen menetelmän kvanttipiirien pakkaamiseen. Uusi menetelmä nopeuttaa mahdollisuutta hyödyntää kvanttilaskentaa käytännön sovelluksissa. Olemme julkaisseet alkuperäisten piirien sekä niiden pakattujen versioiden QASM‑tiedostot, joiden perusteella menetelmämme kyvykkyys on todettavissa. Yksi piireistä saatiin puristettua jopa puoleen aiemmasta.

Nykyiset kvanttitietokoneet (NISQ‑järjestelmät) ylikuormittuvat pitkissä laskutehtävissä, sillä systeemin häiriöt ja dekoherenssi kasaavat virheitä ajan kuluessa. Rajallisen koherenssiajan vuoksi kubittien tila ehtii tuhoutua ennen kuin laskenta saadaan ajetuksi loppuun syvissä, monista kvanttiporteista, eli laskentaoperaatioista koostuvissa piireissä. Tämä vaikeuttaa laskennan skaalaamista ja todellisen kvanttiedun saavuttamista.

Siksi kvanttipiirejä on pakattava, jotta portteja olisi vähemmän. Porttimäärän — ja siten myös ajoajan — pienentäminen edellyttää piirin muuntamista siten, että alkuperäinen toiminnallisuus säilyy muuttumattomana.

Tehokkuus on kaiken ydin

Vaikka kvanttipiirejä voi muuntaa lukemattomin tavoin, vain murto‑osa muunnoksista todella vähentää kvanttiporttien määrää. Siksi luotettavan algoritmin suunnittelu on poikkeuksellisen vaativa tehtävä.

QMillin missio on kehittää innovatiivisia kvanttialgoritmeja, jotka tuovat käytännön hyötyä lähiajan kvanttitietokoneilla. Sen vuoksi algoritmiemme käyttämien piirien tehokkuus on meille ensiarvoisen tärkeää. Tekoälyn viimeisimpiä saavutuksia hyödyntämällä olemme kehittäneet uuden menetelmän kvanttipiirien pakkaamiseen.

QMill päihittää alan huipputyökalun

QMillin lähestymistapa päihittää alan huipputasoisen piirioptimointityökalun Quarlin laajassa vertailussa, jossa käytettiin samaalaskentakapasiteettia kummallekin menetelmälle.

Menetelmän kyvykkyyden havainnollistamiseksi olemme julkaisseet kolme vertailupiiriä sekä niiden pakatut versiot QASM‑tiedostoina, jotka käyttävät IBM:n porttijoukkoa (CX, Rz, SX ja X):

• MOD5_4: alkuperäinen 71 porttia → 24 porttia menetelmällämme — alle puolet Quarlin tuloksesta (50 porttia).
• GF2^8_MULT: 928 porttia → 740 porttia, selkeä parannus Quarlin tulokseen (821 porttia).
• CSUM_MUX_9: 459 porttia → 290 porttia, parempi kuin Quarlin paras tulos (318 porttia).

QASM‑tiedostot löytyvät Zenodosta: Data for Quantum Circuit Compression Based on Machine Learning (IBM Eagle gate set).

Hyötyä lähiajan kvanttitietokoneista

Pakkaamisen tehokkuusparannukset tuovat hyödyllisen kvanttilaskennan lähemmäs tätä päivää. Tämä on QMillin strategian peruspilari — ja koko kvanttilaskenta-alan kiireellinen tarve. Kun kvanttipiirit lyhenevät merkittävästi, ohitamme suoraan nykyisten häiriöherkkien kvanttitietokoneiden suurimmat esteet. Resurssitarpeen pienentyessä raskaat algoritmit muuttuvat luotettavammin ajettaviksi, ja matka kohti todellisia kvanttilaskennan hyötyjä nopeutuu.

QMill jatkaa työtä kvanttiedun tuottavien algoritmien kehittämiseksi NISQ‑ympäristöihin sekä niissä käytettyjen tekniikoiden hiomiseksi, jotta nykyisestä ja lähitulevaisuuden kvanttilaitteistosta saadaan kaikki irti.

* * *

Terminologia

• Piirit (kvanttiohjelmat) ovat kvanttiporteista koostuvia sarjoja — samaan tapaan kuin klassisen laskennan logiikkaportit — mutta ne toimivat bittien sijaan kubiteilla.
• Kubitit muodostavat kvanttimuistin ja voivat olla arvoltaan joko 1 tai 0 tai samanaikaisesti kumpikin (superpositiotila). Kukin kvanttiportti muuntaa kubittien tilaa omalla tavallaan.
• Piirin syvyys tarkoittaa samanaikaisesti suoritettavien porttikerrosten määrää: mitä syvempi piiri, sitä pidempi ajoaika.
• NISQ (Noisy Intermediate‑Scale Quantum) viittaa kvanttilaitteistoihin, joilta puuttuu virheensietokyky, mutta joilla voidaan silti suorittaa hyödyllisiä laskentoja.

* * *

Kirjoittaja: Clayton Leite on tekoälyasiantuntija, joka keskittyy kehittämään AI‑pohjaisia menetelmiä kvanttipiirien suunnitteluun ja optimointiin.