Maskinlæringshjælpemidler Klassisk modellering af kvantesystemer | Quanta Magasinet

At forstå kvanteuniverset er ikke en nem ting. Intuitive forestillinger om rum og tid bryder sammen i det lille område af subatomær fysik, hvilket giver mulighed for adfærd, der for vores makrofølsomhed virker direkte underlig.

Kvantecomputere skulle give os mulighed for at udnytte denne mærkelighed. Sådanne maskiner kunne teoretisk udforske molekylære interaktioner for at skabe nye lægemidler og materialer. Men måske vigtigst, selve verden er bygget på dette kvanteunivers - hvis vi vil forstå, hvordan det fungerer, har vi sandsynligvis brug for kvanteværktøjer.

Dog nuværende kvanteudstyr på kort sigt er stadig langt fra at opfylde det løfte, da de ikke pålideligt kan udføre et stort antal kvanteinteraktioner. Indtil forskere kan overvinde dette problem, forbliver klassiske computere den bedste måde at løse problemer i den virkelige verden på, uanset hvor ineffektivt de gør det.

Men måske er der en løsning, en slags kvantekompromis. En bølge af nyere artikler tyder på, at det kan være muligt at tage det kvantesystem, du gerne vil forstå, indtaste dets egenskaber i klassiske maskiner og bruge disse maskiner til at forudsige kvantesystemets adfærd. Ved at kombinere en ny måde at modellere kvantesystemer på med stadig mere sofistikerede maskinlæringsalgoritmer, har forskere har etableret en metode for klassiske maskiner til at modellere og forudsige kvanteadfærd.

"Jeg synes, arbejdet er meget vigtigt," sagde Yi-Zhuang You, en fysiker ved University of California, San Diego, som ikke er tilknyttet studierne. "Det ændrer fundamentalt feltet i den forstand, at det er den rigtige måde at kombinere kvanteberegning og maskinlæring."

Hvad vi lærer af skyggerne

Forskere har været forsøger at bruge klassiske computere til at forudsige kvantetilstande siden mindst 1989. Typisk er et kvantesystem med n qubits - kvanteækvivalenten til en bit - kan repræsenteres af en klassisk matrix på 2ⁿ tal. Størrelsen af ​​dette array øges eksponentielt med antallet af qubits, hvilket betyder, at den nødvendige computerkraft hurtigt bliver uoverkommelig.

I slutningen af ​​2017, datalogen Scott Aaronson foreslog at det ikke er nødvendigt at kende den fulde klassiske repræsentation af et kvantesystem. I stedet kan du måske lære om en given kvantetilstand og forudsige dens egenskaber ved kun at bruge en delmængde af repræsentationen.

Så i 2020, fysikerne Hsin Yuan (Robert) Huang , Richard Kueng banebrydende en praktisk tilgang til Aaronsons metode. Deres teknik tillod dem at forudsige mange karakteristika af kvantetilstanden af ​​et system fra meget få målinger ved hjælp af klassiske metoder. Processen involverede at konstruere en "klassisk skygge” fra disse målinger: en kortfattet klassisk repræsentation af kvantesystemet, beslægtet med en faktisk skygge, som formidler en masse information - men ikke alt - om objektet, der kaster det.

"Du er nødt til at sænke dine sigte og kun forsøge at forudsige visse kvante observerbare," sagde John Preskill, en teoretisk fysiker ved California Institute of Technology, der arbejdede sammen med Huang og Kueng på projektet.

Med denne model, hvis du vil forudsige et bestemt antal egenskaber af systemet, har du brug for lige nok målinger - specifikt et antal målinger, der skaleres som logaritmen af ​​antallet af egenskaber. "Roberts idé er genial," sagde Xie Chen, en kollega til Preskill's hos Caltech, som ikke var tilknyttet undersøgelsen. "Det vil give os en stor fordel ved at lære systemet ved at tage nogle tilfældige prøver."

Tilgangen har allerede haft en vis succes. Forskere har allerede brugt disse klassiske skygger til at udføre største simulering af kvantekemi nogensinde foretaget, ved at bruge en klassisk algoritme med en støjende, fejltilbøjelig kvantecomputer til at studere de kræfter, som atomer oplever i en diamantkrystal.

Men måske kunne den mere. Huang og andre ønskede at studere et kvantesystem ikke kun i et statisk øjeblik - som i en krystal - men som det ændrede sig over tid. Det ville give forskerne langt mere indsigt i, hvordan disse systemer opfører sig, på bekostning af langt flere data at behandle. Heldigvis var et andet værktøj på dette tidspunkt blevet populært til sådan en opgave: maskinlæring.

Træning af modellerne

I de sidste par år har klassiske maskinlæringsmodeller gjort revolutionerende fremskridt med at forbedre automatiserede forudsigelser. Men da forskere forsøgte at bruge dem til at løse kvanteproblemer, sagde Preskill, at modellerne ofte fik tingene rigtigt, men deres nøjagtighed var ikke garanteret. Maskinlæring skrider typisk frem via forsøg og fejl, så du har brug for den helt rigtige slags data – og en masse af dem – for at få brugbar information.

A papir af Huang og samarbejdspartnere hos Google Quantum AI understregede, at intuition: Klassiske maskinlæringsalgoritmer trænet med nok kvantedata kan være beregningsmæssigt kraftfulde nok til at modellere kvantesystemer.

Men der var stadig et problem. Disse maskinlæringsmodeller var stadig grundlæggende klassiske, hvilket betyder, at det er umuligt for dem at behandle ægte kvantedata og udlæse kvantetilstande. For at komme uden om dette, viste Huang og kolleger i en Videnskab papir sidste år, hvordan man bruger klassiske skygger til at konvertere kvanteinformation til klassiske data. De kunne derefter træne en maskinlæringsmodel til at forudsige egenskaber af nye kvantesystemer.

"Fordelen, de skaber, er et kvantekort mellem [kvante] input og [kvante] output, som begge er klassiske skygger - da du aldrig vil lykkes, hvis det blæser op til den fulde kvantetilstand," sagde Jarrod McClean, en datalog hos Google Quantum AI.

Dette syntes muligt i praksis, da modellen kun behøvede et polynomielt antal datapunkter for at opnå nøjagtige forudsigelser. Desværre var det stadig ikke ideelt. "Polynomiet var super stort," sagde Huang. Grundlæggende var det for svært nogensinde at få så mange træningsdata.

Den sidste brik i puslespillet kom i en værksted i juli i år på Simons Institute for the Theory of Computing ved University of California, Berkeley. Der hedder en bachelor i Preskills gruppe Laura Lewis viste en vej rundt om forhindringen.

Mens de tidligere modeller var agnostiske med hensyn til geometrien af ​​det undersøgte kvantesystem, var Lewis' arbejde det ikke. I stedet for at prøve at holde styr på interaktionerne mellem hver kombination af qubits i systemet, fokuserede hendes algoritme på den lokale interaktion mellem qubits placeret ved siden af ​​hinanden. Denne tilgang krævede nu mindre træningsdata - blot en logaritmisk funktion af antallet af qubits - for nøjagtigt at forudsige kvantesystemets egenskaber, hvilket endelig gør det praktisk muligt.

Beyond Shadows

Med disse modeller kan forskere udforske sammensætningen og adfærden af ​​stadig mere komplicerede kvantesystemer. Men Lewis' resultat kunne også hjælpe med at forbedre denne forskningslinje i sig selv: Vi har nu bedre måder at forstå, hvordan man kan reducere skaleringskravene til fremtidige forudsigelser om andre kvantesystemer.

Lewis' arbejde afslører "hvor meget data [skal] indsamles fra et fysisk system for at lave pålidelige forudsigelser," sagde McClean.

I mellemtiden har Huang udforsket yderligere. Med udgangspunkt i sit arbejde med klassiske skygger og maskinlæring har han for nylig anvendte en forbedret algoritme til at studere aktive kvantesystemer (såsom transformationen af ​​en kvantetilstand til en anden) med en mindre mængde data. Preskill formoder, at det kun er begyndelsen. "Hvad jeg forventer i løbet af de næste fem til 10 år, vil hovedeffekten af ​​kvanteberegning ikke være applikationer, der er kommercielt vigtige," sagde han. "Det bliver videnskabelig udforskning."

Indtil videre skal de nye metoder udviklet af Huang og Lewis stadig testes grundigt i laboratorieforsøg. Eksperimentelle systemer kommer med ekstra bagage, herunder målefejl og unøjagtigheder, sagde Chen, som disse modeller stadig ikke kan håndtere.

Men selvom dette arbejde stadig er i gang, bør disse klassiske skygger give forskere mulighed for at forbedre deres forståelse af det kvanteteoretiske område på nye måder. Er klassiske skygger nok til at fange kvantekompleksitet, eller har vi brug for en fuldstændig kvantetilgang? Er der kvanteegenskaber eller dynamikker, som for altid vil være uden for rækkevidde? "Deres arbejde har været banebrydende for at begynde at tænke over disse spørgsmål," sagde Soonwon Choi, en fysiker ved Massachusetts Institute of Technology.

Og måske en dag, sagde Preskill, vil forskere indsamle nok eksperimentelle data til at kunne forudsige systemfunktioner, som aldrig er blevet stødt på i laboratoriet. "Dette er et af de store mål med at anvende maskinlæring til kvantefysik," sagde han. "Og vi var i stand til at vise, at du i det mindste i nogle indstillinger kan lave præcise forudsigelser."

Redaktørens note: Scott Aaronson er medlem af Quanta Magazine's rådgivende bestyrelse.