شبکه های عصبی اندازه گیری حالت کوانتومی را سرعت می بخشند - دنیای فیزیک

یک مطالعه جدید نشان می دهد که شبکه های عصبی می توانند میزان درهم تنیدگی در سیستم های کوانتومی را بسیار موثرتر از تکنیک های سنتی تخمین بزنند. با کنار گذاشتن نیاز به توصیف کامل حالت‌های کوانتومی، روش یادگیری عمیق جدید می‌تواند به‌ویژه برای فناوری‌های کوانتومی در مقیاس بزرگ مفید باشد، جایی که تعیین کمیت درهم تنیدگی بسیار مهم است اما محدودیت‌های منابع، توصیف حالت کامل را غیرواقعی می‌سازد.

درهم تنیدگی - وضعیتی که در آن چند ذره تابع موج مشترکی دارند، به طوری که مزاحمت یک ذره بر تمام ذرات دیگر تأثیر می گذارد - در قلب مکانیک کوانتومی قرار دارد. بنابراین، اندازه گیری درجه درهم تنیدگی در یک سیستم بخشی از درک میزان "کوانتومی" آن است. میروسلاو ژژک، فیزیکدان دانشگاه Palacký در چک. او توضیح می دهد: "شما می توانید این رفتار را از سیستم های دو ذره ای ساده که در آن اصول فیزیک کوانتومی مورد بحث قرار می گیرد، مشاهده کنید." از سوی دیگر، به عنوان مثال، بین تغییرات درهم تنیدگی و انتقال فاز در ماده ماکروسکوپی ارتباط مستقیمی وجود دارد.

میزان درهم تنیدگی هر دو ذره در یک سیستم را می توان با یک عدد مشخص کرد. بدست آوردن مقدار دقیق این عدد مستلزم بازسازی تابع موج است، اما اندازه گیری یک حالت کوانتومی آن را از بین می برد، بنابراین چندین نسخه از یک حالت باید بارها و بارها اندازه گیری شوند. این توموگرافی کوانتومی در قیاس با توموگرافی کلاسیک نامیده می شود که در آن از مجموعه ای از تصاویر دو بعدی برای ساخت یک تصویر سه بعدی استفاده می شود و این نتیجه اجتناب ناپذیر نظریه کوانتومی است. می‌گوید: «اگر می‌توانستید از یک اندازه‌گیری در مورد یک حالت کوانتومی یاد بگیرید، یک کیوبیت یک کیوبیت نمی‌شد - کمی می‌شد - و هیچ ارتباط کوانتومی وجود نداشت.» آنا پردویویچ، فیزیکدان دانشگاه استکهلم سوئد و یکی از اعضای تیم مطالعه.

مشکل این است که عدم قطعیت ذاتی اندازه‌گیری کوانتومی، اندازه‌گیری درهم تنیدگی بین (مثلا) کیوبیت‌ها را در یک پردازنده کوانتومی بسیار دشوار می‌کند، زیرا باید توموگرافی با تابع موج چند کیوبیتی کامل روی هر کیوبیت انجام داد. حتی برای یک پردازنده کوچک، این کار روزها طول می کشد: "شما نمی توانید فقط یک اندازه گیری انجام دهید و بگویید که آیا درهم تنیدگی دارید یا نه." "مثل زمانی است که افراد یک اسکن CAT [توموگرافی محوری کامپیوتری] از ستون فقرات شما انجام می دهند - شما باید 45 دقیقه در لوله باشید تا بتوانند تصویر کامل را بگیرند: شما نمی توانید بپرسید که آیا مشکلی در این یا آن مهره وجود دارد یا خیر. یک اسکن پنج دقیقه ای.»

یافتن پاسخ های کافی خوب

اگرچه محاسبه درهم تنیدگی با دقت 100% به توموگرافی حالت کوانتومی کامل نیاز دارد، الگوریتم‌های متعددی وجود دارند که می‌توانند حالت کوانتومی را از روی اطلاعات جزئی حدس بزنند. جژک می‌گوید مشکل این رویکرد این است که «هیچ دلیل ریاضی وجود ندارد که با تعداد محدودی از اندازه‌گیری‌ها چیزی در مورد درهم تنیدگی در سطحی دقیق بیان کنید».

در کار جدید، یژک، پردویویچ و همکاران روش متفاوتی در پیش گرفتند و مفهوم بازسازی حالت کوانتومی را به کلی کنار گذاشتند و تنها درجه درهم تنیدگی را هدف قرار دادند. برای انجام این کار، آنها شبکه‌های عصبی عمیق را برای مطالعه حالت‌های کوانتومی درهم‌تنیده طراحی کردند و آنها را بر روی داده‌های تولید شده به صورت عددی آموزش دادند. جژک توضیح می‌دهد: «ما به‌طور تصادفی حالت‌های کوانتومی را انتخاب می‌کنیم و با ایجاد حالت، خروجی شبکه را می‌دانیم زیرا میزان درهم‌تنیدگی در سیستم را می‌دانیم». اما ما همچنین می‌توانیم داده‌هایی را که در طول اندازه‌گیری تعداد کپی‌های مختلف از جهات مختلف به دست می‌آوریم شبیه‌سازی کنیم... این داده‌های شبیه‌سازی شده ورودی شبکه هستند.

شبکه‌ها از این داده‌ها استفاده کردند تا به خود بیاموزند که از مجموعه‌های اندازه‌گیری داده‌شده، تخمین‌های بهتری از درهم تنیدگی انجام دهند. سپس محققان دقت الگوریتم را با استفاده از مجموعه دوم داده های شبیه سازی شده بررسی کردند. آنها دریافتند که خطاهای آن حدود 10 برابر کمتر از خطاهای الگوریتم تخمین توموگرافی کوانتومی سنتی است.

آزمایش روش به صورت تجربی

در نهایت، محققان به صورت تجربی دو سیستم درهم تنیده واقعی را اندازه‌گیری کردند: یک نقطه کوانتومی نیمه‌رسانای رزونانسی و یک منبع دو فوتونی با تبدیل پایین پارامتری خود به خودی. جژک می‌گوید: «ما توموگرافی حالت کوانتومی کامل را اندازه‌گیری کردیم... و از این طریق همه چیز را در مورد حالت کوانتومی می‌دانستیم، سپس برخی از این اندازه‌گیری‌ها را حذف کردیم.» همانطور که آنها اندازه گیری های بیشتری را حذف کردند، خطا در پیش بینی شبکه های عصبی عمیق خود را با خطاهای همان الگوریتم سنتی مقایسه کردند. خطای شبکه های عصبی به طور قابل توجهی کمتر بود.

فیزیکدانان راه روشن تری برای تشخیص حالت های کوانتومی پیدا می کنند

رایان گلاسریک کارشناس اپتیک کوانتومی در دانشگاه تولین در لوئیزیانا، ایالات متحده، که قبلا از یادگیری ماشین برای تخمین حالات کوانتومی استفاده کرده بود، کار جدید را "مهم" می خواند. گلسر می‌گوید: «یکی از مشکلاتی که در حال حاضر فناوری‌های کوانتومی با آن مواجه هستند این است که ما به نقطه‌ای می‌رسیم که می‌توانیم چیزها را به سیستم‌های بزرگ‌تر مقیاس دهیم، و ... شما می‌خواهید بتوانید سیستم خود را به طور کامل درک کنید. سیستم‌های کوانتومی بسیار ظریف هستند و اندازه‌گیری و توصیف کامل آن‌ها دشوار است...[محققان] نشان می‌دهند که می‌توانند با دقت بسیار زیادی میزان درهم‌تنیدگی در سیستم خود را تعیین کنند، که بسیار مفید است زیرا ما به سمت سیستم‌های کوانتومی بزرگ‌تر و بزرگ‌تر می‌رویم، زیرا هیچ‌کس نمی‌خواهد کامپیوتر کوانتومی دو کیوبیتی."

این گروه اکنون قصد دارد تحقیقات خود را به سیستم های کوانتومی بزرگتر گسترش دهد. جژک همچنین به مسئله معکوس علاقه مند است: "بیایید بگوییم که باید درهم تنیدگی یک سیستم کوانتومی را با دقت مثلاً 1٪ اندازه گیری کنیم" او می گوید: "به چه حداقل سطح اندازه گیری نیاز داریم تا آن سطح را بدست آوریم. تخمین درهم تنیدگی؟»

این تحقیق در منتشر شده است با پیشرفتهای علمی.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. خودرو / خودروهای الکتریکی، کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
• منبع: https://physicsworld.com/a/neural-networks-speed-up-quantum-state-measurements/