Efterhånden som kvanteteknologien forbedres, er forskere i stand til at forbinde et stigende antal komponenter for at skabe spirende kvantecomputere. En vigtig udfordring er at vide, hvilke komponenter og konfigurationer der har størst potentiale til at skabe nyttige systemer. Nu, Leopoldo Sarra , Florian Marquardt har vist, hvordan maskinlæring kan bruges til at implementere det dybe Bayesianske eksperimentelle design af storskala kvantenetværk.
Marquardt er baseret på Max Planck Institute for Science of Light i Tyskland, hvor forskningen blev udført. Sarra er siden flyttet til Flatiron Institute i USA, hvorfra han talte med Fysik verden om forskningen.
Hvad er dybt Bayesiansk eksperimentelt design?
Eksperimentelt design er den gren af videnskaben, der beskæftiger sig med udvælgelsen af eksperimenter, der skal udføres for at karakterisere et fysisk system eller fænomen. Når de designer et nyt eksperiment, skal videnskabsmænd overveje de hypoteser, de vil teste eller falsificere, og prioritere dem, der sandsynligvis vil være mere nyttige. Der er ofte meget komplicerede afhængigheder mellem de fysiske mængder af interesse og de tilgængelige mængder, videnskabsmænd kan observere. Implikationerne af et eksperimentelt resultat er normalt ikke indlysende.
Bayesiansk eksperimentelt design er en teknik til automatisk at identificere de mest nyttige eksperimenter, som vil give os mulighed for at forstå så meget som muligt om et fysisk system. Især, med udgangspunkt i en indledende viden eller forventning om et system, bygger den en statistisk model, der kvantificerer usikkerheden i vores viden, og hvordan de ændrer sig, når et givent eksperiment udføres. Således kvantificerer det nytten af et eksperiment og finder derfor det mest nyttige.
Imidlertid er denne teknik kendt for at være beregningsmæssigt meget dyr. Traditionelt var meget grove tilnærmelser (eller endda bare heuristik) nødvendige for at gøre det muligt. Med den seneste udvikling af kunstig intelligens teknikker såsom neurale netværk (også kaldet "deep learning", deraf ordet "deep"), er det nu muligt at lave meget bedre tilnærmelser af den Bayesianske teknik, hvilket fører til mere effektive og nøjagtige resultater.
Hvad er de vigtigste udfordringer for mennesker, der designer kvanteteknologiske platforme?
Nutidens kvanteenheder er ekstremt udfordrende at bygge og betjene. De er stærkt påvirket af interferens og miljøstøj, som kan underminere deres pålidelighed og evnen til at bygge store enheder ved at forbinde mange af dem sammen. Især på trods af fremstillingsbestræbelser på at producere identiske enheder, vil hver komponent altid være lidt anderledes på grund af fabrikationsfejl og vil derfor have en lidt anderledes adfærd end forventet. Derudover kan en komponents adfærd også blive påvirket af miljøforhold (såsom temperaturudsving, omgivende støj osv.). Derfor bliver evnen til at forstå det faktiske driftsregime for en enhed og til korrekt at tage højde for og korrigere disse afvigelser fra den forventede adfærd afgørende.
Hvordan kan dybt Bayesiansk eksperimentelt design hjælpe med at løse disse problemer?
Da det simpelthen ikke er muligt manuelt at karakterisere hver kvanteanordning hver gang før brug, skal der anvendes automatiserede teknikker. Bayesiansk eksperimentelt design giver en måde at karakterisere et kvantesystem med et minimum antal målinger. Det kan bruges til at sammenligne forskellige tilgange og forstå de mest effektive. Mens manuelt designede strategier kan give en løsning, forventer vi, at Bayesianske teknikker er meget mere effektive og giver hurtigere og mere præcise resultater. Deres fordel er dobbelt: For det første fortæller de dig, hvordan du inkorporerer resultatet af et nyt eksperiment i tidligere viden; for det andet fortæller de dig, hvilket eksperiment du skal køre næste gang. Enhver ineffektivitet i begge trin ville resultere i længere karakteriseringstider eller lavere nøjagtighed.
Hvad har du gjort i dit papir "Dybt Bayesiansk eksperimentelt design for kvante-mange-kropssystemer"?
I dette arbejde tog vi fra nogle af de avancerede teknikker inden for kunstig intelligens, der beskæftiger sig med estimering af de mængder, der er nødvendige for at bruge den Bayesianske ramme, og vi undersøgte deres mulige anvendelse på kvantesystemer. Målet var at forstå, hvor nyttige de kan være til at karakterisere en kvanteenhed, hvor effektive de ville være, og hvilke tekniske udfordringer der skal overvindes for fremtidige praktiske anvendelser. Vi overvejede nogle af de mest almindelige platforme (koblede hulrum og qubit-arrays) og undersøgte anvendelsen af disse teknikker for at finde deres driftsparametre. Vi sammenlignede effektiviteten med nogle mere naive karakteriseringsstrategier, såsom at udføre tilfældige målinger eller ensartede målinger i et parameterområde. Vi undersøgte også effekten af forskellige designvalg samt støjens indvirkning i forudsigelserne.
Hvad fandt du, og hvordan kunne det fremme udviklingen af kvanteteknologier?
Deep Bayesian eksperimentelt design giver en måde at opdatere viden om systemets parametre og deres usikkerhed efter hver måling i situationer, hvor forholdet mellem måleresultatet og parameteropdateringen ikke er trivielt. Mens standardteknikker typisk kun finder et enkelt resultat, der med størst sandsynlighed vil beskrive systemet, tilnærmer en dyb teknik hele distributionen. Som et resultat kan det afsløre grænserne for en given karakteriseringsstrategi. Hvis usikkerheden på en parameter ikke aftager efter mange målinger, betyder det typisk, at måleopsætningen ikke tillader entydig bestemmelse af denne parameter.
Ved at se på de udvalgte målinger ser vi, at der opstår "effektive strategier", der kombinerer udforskningen af forskellige måleindstillinger (hvor de mest relevante målekonfigurationer identificeres) og udnyttelsen af de identificerede indstillinger for at reducere usikkerheden.
Desuden har vi vist fordelene ved en aktiv karakteriseringsstrategi, hvor hvert eksperiment (næste måling) er valgt for at maksimere nytten, sammenlignet med andre simplere målestrategier. For effektiv karakterisering af en kvanteenhed, som kan afhænge af mange forskellige parametre og være påvirket af forskellige støjkilder, er det klart suboptimalt at udføre tilfældige målinger, der ikke tager højde for tidligere resultater.
Fremtidige udviklinger af denne teknik vil føre til meget mere pålidelige kvanteenheder.
Maskinlæring hjælper studier af kvantemagneter
Det lyder til, at du vil følge op på dette arbejde med yderligere forskning
Med dette arbejde har vi vist, at dybt Bayesiansk eksperimentelt design giver konkrete fordele i karakteriseringen af kvantesystemer sammenlignet med simplere teknikker. De næste trin ville være den tekniske forbedring af den præsenterede metode for at tillade hurtige applikationer på rigtige kvanteenheder og muligheden for at skalere op til større systemer. Selvom algoritmen i øjeblikket skal køres igen efter hver måling, ville en mulighed være først at lære en hel måleforslagsstrategi gennem mange simuleringer og derefter bruge denne hurtigere forudsigelse til brug med den rigtige enhed.
Mere generelt er evnen til at have en model af et fysisk fænomen, at vurdere dets usikkerhed og at forstå, hvilke eksperimenter der er mest nyttige til at forbedre det, grundlaget for den videnskabelige metode. Mens vi i øjeblikket blot modellerer kvantesystemet med nogle ukendte parametre, og forskellige eksperimenter simpelthen svarer til forskellige måleindstillinger, kan vi forestille os en fremtidig algoritme, der fungerer som en slags "kunstig videnskabsmand", der er i stand til at udforske et fysisk fænomen på egen hånd. Studiet af Bayesiansk eksperimentelt design i kvanteteknikker vil også føre til fremskridt i denne langsigtede vision.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://physicsworld.com/a/deep-bayesian-experimental-design-characterizes-large-scale-quantum-systems/
- :har
- :er
- :ikke
- :hvor
- $OP
- 160
- a
- evne
- I stand
- Om
- tilgængelig
- Konto
- nøjagtighed
- præcis
- aktiv
- handlinger
- faktiske
- Desuden
- fremskridt
- Fordel
- fordele
- påvirket
- Efter
- hjælpemidler
- algoritme
- tillade
- også
- altid
- Ambient
- an
- ,
- enhver
- Anvendelse
- applikationer
- anvendt
- tilgange
- tilnærmelsesvis
- ER
- kunstig
- kunstig intelligens
- AS
- vurdere
- At
- Automatiseret
- automatisk
- baseret
- grundlag
- Bayesiansk
- BE
- bliver
- før
- adfærd
- Bedre
- mellem
- Branch
- bygge
- bygger
- by
- kaldet
- CAN
- stand
- udfordre
- udfordringer
- udfordrende
- lave om
- karakterisere
- karakteriserer
- valg
- valgt
- tydeligt
- kombinerer
- Fælles
- sammenligne
- sammenlignet
- kompliceret
- komponent
- komponenter
- computere
- beton
- betingelser
- Tilslut
- Tilslutning
- Overvej
- betragtes
- korrigere
- kunne
- koblede
- skabe
- Oprettelse af
- afgørende
- For øjeblikket
- deal
- Tilbud
- falde
- dyb
- afhænge
- afhængigheder
- beskrive
- Design
- designere
- designe
- Trods
- beslutsomhed
- Udvikling
- udvikling
- enhed
- Enheder
- DID
- forskellige
- fordeling
- do
- gør
- færdig
- grund
- hver
- effekt
- effektivitet
- effektiv
- indsats
- enten
- emerge
- selvstændige
- Hele
- miljømæssige
- envision
- etc.
- Endog
- forvente
- forventning
- forventet
- dyrt
- eksperiment
- eksperimenterende
- eksperimenter
- udnyttelse
- udforskning
- udforsket
- Udforskning
- ekstremt
- vender
- FAST
- hurtigere
- gennemførlig
- Finde
- finde
- Fornavn
- udsving
- efter
- Til
- Framework
- fra
- forsiden
- yderligere
- fremtiden
- generelt
- Tyskland
- given
- mål
- Have
- he
- hjælpe
- dermed
- Hvordan
- How To
- HTTPS
- identisk
- identificeret
- identificere
- if
- billede
- KIMOs Succeshistorier
- gennemføre
- implikationer
- vigtigt
- Forbedre
- forbedrer
- in
- indarbejde
- stigende
- ineffektivitet
- oplysninger
- initial
- Institut
- Intelligens
- interesse
- Interferens
- ind
- spørgsmål
- IT
- ITS
- jpg
- lige
- Venlig
- Kendskab til
- viden
- kendt
- stor
- storstilet
- større
- føre
- førende
- LÆR
- læring
- til venstre
- Li
- lys
- ligesom
- Sandsynlig
- grænser
- længere
- leder
- lavere
- maskine
- machine learning
- Main
- lave
- manuelt
- Produktion
- mange
- max
- max-bredde
- Maksimer
- Kan..
- midler
- måling
- målinger
- metode
- minimum
- model
- mere
- mere effektiv
- mest
- flyttet
- meget
- skal
- spirende
- nødvendig
- Behov
- behov
- net
- neurale
- neurale netværk
- Ny
- næste
- Støj
- nu
- nummer
- numre
- observere
- Obvious
- of
- tit
- on
- ONE
- dem
- kun
- betjene
- drift
- or
- Andet
- vores
- Resultat
- Overvind
- egen
- Papir
- parameter
- parametre
- særlig
- Mennesker
- udføres
- udfører
- fænomen
- foto
- fysisk
- Fysik
- Fysik verden
- Platforme
- plato
- Platon Data Intelligence
- PlatoData
- Muligheden
- mulig
- potentiale
- Praktisk
- Forudsigelser
- Predictor
- forelagt
- tidligere
- Prioriter
- problemer
- producere
- korrekt
- give
- giver
- leverer
- kvantificerer
- Quantum
- kvantecomputere
- kvantenetværk
- kvantesystemer
- kvante teknologi
- qubit
- tilfældig
- rækkevidde
- ægte
- nylige
- reducere
- regime
- forhold
- relevant
- pålidelighed
- pålidelig
- forskning
- forskere
- resultere
- Resultater
- afsløre
- Kør
- Scale
- Videnskab
- videnskabelig
- forskere
- Anden
- se
- valgt
- valg
- indstillinger
- setup
- vist
- enklere
- ganske enkelt
- siden
- enkelt
- situationer
- lidt anderledes
- løsninger
- SOLVE
- nogle
- lyde
- Kilder
- standard
- stående
- Starter
- state-of-the-art
- statistiske
- Trin
- Steps
- strategier
- Strategi
- kraftigt
- studeret
- undersøgelser
- Studere
- suboptimal
- sådan
- systemet
- Systemer
- Tag
- Teknisk
- teknik
- teknikker
- Teknologier
- Teknologier
- fortælle
- prøve
- end
- at
- deres
- Them
- derefter
- Der.
- derfor
- Disse
- de
- denne
- dem
- Gennem
- thumbnail
- Dermed
- tid
- gange
- til
- sammen
- tog
- traditionelt
- sand
- typisk
- usikkerheder
- Usikkerhed
- Underminere
- forstå
- ukendt
- Opdatering
- us
- brug
- anvendte
- sædvanligvis
- nytte
- forskellige
- meget
- vision
- ønsker
- var
- Vej..
- we
- GODT
- var
- Hvad
- hvornår
- som
- mens
- WHO
- vilje
- med
- ord
- Arbejde
- world
- ville
- Du
- Din
- zephyrnet