Neurale netværk fremskynder kvantetilstandsmålinger – Physics World

Neurale netværk fremskynder kvantetilstandsmålinger – Physics World

Tidsstempel: 31. juli 2023 kl. 12:00

kvantealgoritme abstrakt
(Med høflighed: iStock/Anadmist)

Neurale netværk kan estimere graden af ​​sammenfiltring i kvantesystemer langt mere effektivt end traditionelle teknikker, viser en ny undersøgelse. Ved at omgå behovet for fuldt ud at karakterisere kvantetilstande, kan den nye dybe læringsmetode vise sig at være særlig nyttig til kvanteteknologier i stor skala, hvor kvantificering af sammenfiltring vil være afgørende, men ressourcebegrænsninger gør fuld tilstandskarakterisering urealistisk.

Entanglement - en situation, hvor flere partikler deler en fælles bølgefunktion, så at forstyrre en partikel påvirker alle andre - er kernen i kvantemekanikken. At måle graden af ​​sammenfiltring i et system er således en del af forståelsen af, hvor "kvantum" det er, siger studiemedforfatter Miroslav Ježek, fysiker ved Palacký Universitet i Tjekkiet. "Du kan observere denne adfærd fra simple to-partikelsystemer, hvor det grundlæggende i kvantefysikken diskuteres," forklarer han. "På den anden side er der en direkte sammenhæng mellem for eksempel ændringer af sammenfiltring og faseovergange i makroskopisk stof."

Den grad, i hvilken to partikler i et system er sammenfiltret, kan kvantificeres ved et enkelt tal. At få den nøjagtige værdi af dette tal kræver rekonstruering af bølgefunktionen, men måling af en kvantetilstand ødelægger den, så flere kopier af den samme tilstand skal måles igen og igen. Dette kaldes kvantetomografi i analogi med klassisk tomografi, hvor en række 2D-billeder bruges til at konstruere et 3D-billede, og det er en uundgåelig konsekvens af kvanteteorien. "Hvis du kunne lære om en kvantetilstand fra en måling, ville en qubit ikke være en qubit - det ville være en smule - og der ville ikke være nogen kvantekommunikation," siger Ana Predojević, en fysiker ved Stockholm Universitet, Sverige, og medlem af undersøgelsesteamet.

Problemet er, at den iboende usikkerhed ved en kvantemåling gør det ekstremt vanskeligt at måle sammenfiltringen mellem (for eksempel) qubits i en kvanteprocessor, da man skal udføre fuld multi-qubit bølgefunktionstomografi på hver qubit. Selv for en lille processor ville dette tage dage: "Du kan ikke kun foretage en måling og sige, om du har forviklinger eller ej," siger Predojević. "Det er ligesom når folk laver en CAT-scanning af din rygsøjle – du skal være i røret i 45 minutter, så de kan tage det fulde billede: du kan ikke spørge, om der er noget galt med denne eller hin hvirvel fra en fem minutters scanning."

At finde gode nok svar

Selvom beregning af sammenfiltring med 100 % nøjagtighed kræver fuld kvantetilstandstomografi, findes der adskillige algoritmer, der kan gætte kvantetilstanden ud fra delvis information. Problemet med denne tilgang, siger Ježek, er "der er intet matematisk bevis for, at man med et begrænset antal målinger siger noget om sammenfiltring på et eller andet præcisionsniveau".

I det nye værk tog Ježek, Predojević og kolleger et andet greb, idet de forkastede begrebet kvantetilstandsrekonstruktion helt til fordel for alene at målrette graden af ​​sammenfiltring. For at gøre dette designet de dybe neurale netværk til at studere sammenfiltrede kvantetilstande og trænede dem på numerisk genererede data. "Vi udvælger tilfældigt kvantetilstande, og efter at have genereret tilstanden kender vi outputtet af netværket, fordi vi kender mængden af ​​sammenfiltring i systemet," forklarer Ježek; "men vi kan også simulere de data, vi ville få under måling af forskellige antal kopier fra forskellige retninger ... Disse simulerede data er input fra netværket."

Netværkene brugte disse data til at lære sig selv at lave stadig bedre vurderinger af sammenfiltringen ud fra givne sæt målinger. Forskerne kontrollerede derefter algoritmens nøjagtighed ved hjælp af et andet sæt simulerede data. De fandt, at dens fejl var omkring 10 gange lavere end dem i en traditionel kvantetomografi-estimeringsalgoritme.

Test af metoden eksperimentelt

Endelig målte forskerne eksperimentelt to virkelige sammenfiltrede systemer: en resonant pumpet halvlederkvanteprik og en spontan parametrisk nedkonvertering af to fotonkilder. "Vi målte fuld kvantetilstandstomografi ... og ud fra dette vidste vi alt om kvantetilstanden," siger Ježek, "så udelod vi nogle af disse målinger." Efterhånden som de fjernede flere og flere målinger, sammenlignede de fejlen i forudsigelserne af deres dybe neurale netværk med fejlene fra den samme traditionelle algoritme. Fejlen i de neurale netværk var signifikant lavere.

Ryan Glasser, en kvanteoptikekspert ved Tulane University i Louisiana, USA, som tidligere har brugt maskinlæring til at estimere kvantetilstande, kalder det nye arbejde "betydeligt". "Et af de problemer, kvanteteknologier løber ind i lige nu, er, at vi er ved at nå det punkt, hvor vi kan skalere ting til større systemer, og ... du vil gerne være i stand til fuldt ud at forstå dit system," siger Glasser. "Kvantesystemer er notorisk sarte og svære at måle og fuldt ud karakterisere ... [Forskerne] viser, at de meget nøjagtigt kan kvantificere mængden af ​​sammenfiltring i deres system, hvilket er meget nyttigt, når vi går til større og større kvantesystemer, fordi ingen ønsker en to-qubit kvantecomputer."

Gruppen planlægger nu at udvide sin forskning til større kvantesystemer. Ježek er også interesseret i det omvendte problem: "Lad os sige, at vi skal måle sammenfiltringen af ​​et kvantesystem med en præcision på f.eks. 1%," siger han, "hvilket minimumsniveau af måling skal vi have for at få det niveau af sammenfiltringsestimation?”

Forskningen er offentliggjort i Science Forskud.

Tidsstempel:

Mere fra Fysik verden