Neuroverkot nopeuttavat kvanttitilamittauksia – Physics World

Uusi tutkimus osoittaa, että hermoverkot voivat arvioida kvanttijärjestelmien sotkeutumisasteen paljon tehokkaammin kuin perinteiset tekniikat. Sivuuttamalla kvanttitilojen täydellisen karakterisoinnin tarpeen uusi syväoppimismenetelmä voisi osoittautua erityisen hyödylliseksi laajamittaisissa kvanttiteknologioissa, joissa kvantifiointi on ratkaisevan tärkeää, mutta resurssirajoitukset tekevät täyden tilan karakterisoinnista epärealistista.

Kietoutuminen – tilanne, jossa useilla hiukkasilla on yhteinen aaltofunktio, jolloin yhden hiukkasen häiritseminen vaikuttaa kaikkiin muihin – on kvanttimekaniikan ytimessä. Järjestelmän kietoutumisasteen mittaaminen on siis osa sen ymmärtämistä, kuinka "kvantti" se on, sanoo tutkimuksen toinen kirjoittaja Miroslav Ježek, fyysikko Palackýn yliopistossa Tšekissä. "Voit tarkkailla tätä käyttäytymistä alkaen yksinkertaisista kaksihiukkasjärjestelmistä, joissa keskustellaan kvanttifysiikan perusteista", hän selittää. "Toisaalta esimerkiksi makroskooppisen aineen sotkeutumismuutosten ja faasimuutosten välillä on suora yhteys."

Se, missä määrin järjestelmän mitkä tahansa kaksi hiukkasta ovat kietoutuneet, voidaan kvantifioida yhdellä numerolla. Tämän luvun tarkan arvon saaminen vaatii aaltofunktion rekonstruoimista, mutta kvanttitilan mittaus tuhoaa sen, joten useita kopioita samasta tilasta on mitattava yhä uudelleen ja uudelleen. Tätä kutsutaan kvanttitomografiaksi analogisesti klassisen tomografian kanssa, jossa 2D-kuvien sarjaa käytetään 3D-kuvan rakentamiseen, ja se on kvanttiteorian väistämätön seuraus. "Jos voisit oppia kvanttitilasta yhdestä mittauksesta, kubitti ei olisi kubitti - se olisi vähän - eikä kvanttiviestintää olisi", sanoo Ana Predojević, fyysikko Tukholman yliopistosta, Ruotsista ja tutkimusryhmän jäsen.

Ongelmana on, että kvanttimittauksen luontainen epävarmuus tekee äärimmäisen vaikeaksi mitata (esimerkiksi) kubittien välistä kietoutumista kvanttiprosessorissa, koska jokaiselle kubitille on suoritettava täysi monikubitinen aaltofunktiotomografia. Pienelläkin prosessorilla tämä kestäisi päiviä: "Et voi tehdä vain yhtä mittausta ja sanoa, onko sinulla sotkua vai ei", Predojević sanoo. "Se on kuin silloin, kun ihmiset tekevät CAT [aksiaalisen tietokonetomografian] selkärangan - sinun on oltava putkessa 45 minuuttia, jotta he voivat ottaa koko kuvan: et voi kysyä, onko tässä tai toisessa nikamassa jotain vialla. viiden minuutin skannaus."

Riittävän hyvien vastausten löytäminen

Vaikka kietoutumisen laskeminen 100 %:n tarkkuudella vaatii täyden kvanttitilatomografian, on olemassa useita algoritmeja, jotka voivat arvata kvanttitilan osittaisten tietojen perusteella. Tämän lähestymistavan ongelmana Ježek sanoo, että "ei ole matemaattista näyttöä siitä, että jollakin rajoitetulla määrällä mittauksia sanotaan jotain takertumisesta jollain tarkkuudella".

Uudessa työssään Ježek, Predojević ja kollegat omaksuivat toisenlaisen otteen ja hylkäsivät kvanttitilan rekonstruktion käsitteen kokonaan ja keskittyivät pelkästään sotkeutumisasteeseen. Tätä varten he suunnittelivat syviä hermoverkkoja sotkeutuneiden kvanttitilojen tutkimiseksi ja kouluttivat niitä numeerisesti generoidulla tiedolla. "Valitsemme satunnaisesti kvanttitilat ja tilan luomisen jälkeen tiedämme verkon lähdön, koska tiedämme järjestelmän kietoutumisen määrän", Ježek selittää; "Mutta voimme myös simuloida tietoja, jotka saisimme mittaamalla eri kopiomääriä eri suunnista... Nämä simuloidut tiedot ovat verkon syöttö."

Verkot käyttivät näitä tietoja oppiakseen tekemään yhä parempia arvioita takertumisesta annetuista mittaussarjoista. Sitten tutkijat tarkistivat algoritmin tarkkuuden käyttämällä toista simuloitua datasarjaa. He havaitsivat, että sen virheet olivat noin 10 kertaa pienemmät kuin perinteisessä kvanttitomografia-estimointialgoritmissa.

Menetelmän testaus kokeellisesti

Lopuksi tutkijat mittasivat kokeellisesti kaksi todellista kietoutunutta järjestelmää: resonanssisti pumpatun puolijohdekvanttipisteen ja spontaanin parametrisen alasmuuntavan kahden fotonin lähteen. "Mittasimme täyden kvanttitilatomografian... ja tämän perusteella tiesimme kaiken kvanttitilasta", sanoo Ježek. "Sitten jätimme pois osan näistä mittauksista." Kun he poistivat yhä enemmän mittauksia, he vertasivat syvien hermoverkkojensa ennusteiden virheitä saman perinteisen algoritmin virheisiin. Neuroverkkojen virhe oli huomattavasti pienempi.

Fyysikot löytävät valoisamman tavan diagnosoida kvanttitilat

Ryan Glasser, kvanttioptiikan asiantuntija Tulane-yliopistossa Louisianassa, Yhdysvalloissa, joka on aiemmin käyttänyt koneoppimista kvanttitilojen arvioimiseen, kutsuu uutta työtä "merkittäväksi". "Yksi kvanttiteknologian tällä hetkellä kohtaamista ongelmista on se, että olemme tulossa siihen pisteeseen, jossa voimme skaalata asioita suurempiin järjestelmiin, ja… haluat pystyä ymmärtämään järjestelmääsi täysin", Glasser sanoo. "Kvanttijärjestelmät ovat tunnetusti herkkiä, ja niitä on vaikea mitata ja karakterisoida täysin… [Tutkijat] osoittavat, että he voivat kvantifioida erittäin tarkasti järjestelmänsä kietoutumisen määrän, mikä on erittäin hyödyllistä, kun siirrymme yhä suurempiin kvanttijärjestelmiin, koska kukaan ei halua kahden qubitin kvanttitietokone."

Ryhmä aikoo nyt laajentaa tutkimustaan ​​suurempiin kvanttijärjestelmiin. Ježek on kiinnostunut myös käänteisongelmasta: "Sanotaan, että meidän on mitattava kvanttijärjestelmän takertuminen esimerkiksi 1 %:n tarkkuudella", hän sanoo, "Mitä vähimmäismittaustasoa tarvitsemme saadaksemme tämän tason sotkeutumisarvio?"

Tutkimus julkaistaan Tiede ennakot.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. Autot / sähköautot, hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• BlockOffsets. Ympäristövastuun omistuksen nykyaikaistaminen. Pääsy tästä.
• Lähde: https://physicsworld.com/a/neural-networks-speed-up-quantum-state-measurements/