तंत्रिका नेटवर्क क्वांटम स्थिति माप को गति देते हैं - भौतिकी विश्व

एक नए अध्ययन से पता चलता है कि तंत्रिका नेटवर्क पारंपरिक तकनीकों की तुलना में कहीं अधिक कुशलता से क्वांटम सिस्टम में उलझाव की डिग्री का अनुमान लगा सकते हैं। क्वांटम राज्यों को पूरी तरह से चित्रित करने की आवश्यकता को किनारे करके, नई गहरी सीखने की विधि बड़े पैमाने पर क्वांटम प्रौद्योगिकियों के लिए विशेष रूप से उपयोगी साबित हो सकती है, जहां मात्रात्मक उलझन महत्वपूर्ण होगी लेकिन संसाधन सीमाएं पूर्ण राज्य लक्षण वर्णन को अवास्तविक बनाती हैं।

उलझाव - एक ऐसी स्थिति जिसमें कई कण एक सामान्य तरंग फ़ंक्शन साझा करते हैं, ताकि एक कण को ​​परेशान करने से अन्य सभी प्रभावित हों - क्वांटम यांत्रिकी के केंद्र में है। अध्ययन के सह-लेखक का कहना है कि किसी प्रणाली में उलझाव की डिग्री को मापना यह समझने का हिस्सा है कि यह कितना "क्वांटम" है मिरोस्लाव जेज़ेक, चेकिया में पलाकी विश्वविद्यालय में एक भौतिक विज्ञानी। "आप इस व्यवहार को सरल दो-कण प्रणालियों से शुरू करके देख सकते हैं जहां क्वांटम भौतिकी के बुनियादी सिद्धांतों पर चर्चा की जाती है," वह बताते हैं। "दूसरी ओर, उदाहरण के लिए, स्थूल पदार्थ में उलझाव के परिवर्तन और चरण संक्रमण के बीच एक सीधा संबंध है।"

किसी प्रणाली में किन्हीं दो कणों के आपस में उलझने की डिग्री को एक ही संख्या से निर्धारित किया जा सकता है। इस संख्या का सटीक मान प्राप्त करने के लिए तरंग फ़ंक्शन के पुनर्निर्माण की आवश्यकता होती है, लेकिन क्वांटम स्थिति को मापने से यह नष्ट हो जाता है, इसलिए एक ही स्थिति की कई प्रतियों को बार-बार मापा जाना चाहिए। इसे शास्त्रीय टोमोग्राफी के अनुरूप क्वांटम टोमोग्राफी कहा जाता है, जिसमें 2डी छवि बनाने के लिए 3डी छवियों की एक श्रृंखला का उपयोग किया जाता है, और यह क्वांटम सिद्धांत का एक अपरिहार्य परिणाम है। "यदि आप एक माप से क्वांटम स्थिति के बारे में जान सकते हैं तो एक क्वबिट एक क्वबिट नहीं होगा - यह थोड़ा सा होगा - और कोई क्वांटम संचार नहीं होगा," कहते हैं एना प्रेडोजेविक, स्टॉकहोम विश्वविद्यालय, स्वीडन के भौतिक विज्ञानी और अध्ययन दल के सदस्य।

समस्या यह है कि क्वांटम माप की अंतर्निहित अनिश्चितता क्वांटम प्रोसेसर में (उदाहरण के लिए) क्वैबिट के बीच उलझाव को मापना बेहद मुश्किल बना देती है, क्योंकि प्रत्येक क्वबिट पर पूर्ण मल्टी-क्विबिट वेवफंक्शन टोमोग्राफी करना आवश्यक है। यहां तक ​​कि एक छोटे प्रोसेसर के लिए भी, इसमें कई दिन लगेंगे: प्रीडोजेविक कहते हैं, "आप सिर्फ एक माप नहीं कर सकते हैं और बता सकते हैं कि आपके पास उलझाव है या नहीं।" "यह वैसा ही है जैसे जब लोग आपकी रीढ़ की हड्डी का सीएटी [कंप्यूटेड एक्सियल टोमोग्राफी] स्कैन करते हैं - आपको ट्यूब में 45 मिनट तक रहना होगा ताकि वे पूरी छवि ले सकें: आप यह नहीं पूछ सकते कि इस या उस कशेरुका में कुछ गड़बड़ है या नहीं पाँच मिनट का स्कैन।

काफी अच्छे उत्तर मिल रहे हैं

यद्यपि 100% सटीकता के साथ उलझाव की गणना के लिए पूर्ण क्वांटम राज्य टोमोग्राफी की आवश्यकता होती है, कई एल्गोरिदम मौजूद हैं जो आंशिक जानकारी से क्वांटम स्थिति का अनुमान लगा सकते हैं। इस दृष्टिकोण के साथ समस्या, जेज़ेक कहते हैं, "इसका कोई गणितीय प्रमाण नहीं है कि कुछ सीमित संख्या में माप के साथ आप कुछ सटीक स्तर पर उलझाव के बारे में कुछ कहते हैं"।

नए काम में, जेज़ेक, प्रीडोजेविक और सहकर्मियों ने एक अलग रुख अपनाया, क्वांटम राज्य पुनर्निर्माण की धारणा को पूरी तरह से खारिज करते हुए केवल उलझाव की डिग्री को लक्षित करने के पक्ष में। ऐसा करने के लिए, उन्होंने उलझी हुई क्वांटम स्थितियों का अध्ययन करने के लिए गहरे तंत्रिका नेटवर्क तैयार किए और उन्हें संख्यात्मक रूप से उत्पन्न डेटा पर प्रशिक्षित किया। "हम बेतरतीब ढंग से क्वांटम राज्यों का चयन करते हैं और, राज्य उत्पन्न करने के बाद, हम नेटवर्क के आउटपुट को जानते हैं क्योंकि हम सिस्टम में उलझाव की मात्रा को जानते हैं," जेज़ेक बताते हैं; "लेकिन हम उस डेटा का अनुकरण भी कर सकते हैं जो हमें विभिन्न दिशाओं से विभिन्न संख्या में प्रतियों के माप के दौरान प्राप्त होगा... ये सिम्युलेटेड डेटा नेटवर्क का इनपुट हैं।"

नेटवर्क ने माप के दिए गए सेटों से उलझाव का बेहतर अनुमान लगाना खुद को सिखाने के लिए इस डेटा का उपयोग किया। इसके बाद शोधकर्ताओं ने सिम्युलेटेड डेटा के दूसरे सेट का उपयोग करके एल्गोरिदम की सटीकता की जांच की। उन्होंने पाया कि इसकी त्रुटियाँ पारंपरिक क्वांटम टोमोग्राफी आकलन एल्गोरिदम की तुलना में लगभग 10 गुना कम थीं।

प्रयोगात्मक रूप से विधि का परीक्षण करना

अंत में, शोधकर्ताओं ने प्रयोगात्मक रूप से दो वास्तविक उलझी हुई प्रणालियों को मापा: एक गुंजयमान रूप से पंप किया गया अर्धचालक क्वांटम डॉट और एक सहज पैरामीट्रिक डाउन-रूपांतरण दो-फोटॉन स्रोत। जेज़ेक कहते हैं, "हमने पूर्ण क्वांटम स्थिति टोमोग्राफी को मापा... और इससे हमें क्वांटम स्थिति के बारे में सब कुछ पता चला," फिर हमने इनमें से कुछ मापों को छोड़ दिया। जैसे-जैसे उन्होंने अधिक से अधिक माप निकाले, उन्होंने अपने गहरे तंत्रिका नेटवर्क की भविष्यवाणियों में त्रुटि की तुलना उसी पारंपरिक एल्गोरिदम की त्रुटियों से की। तंत्रिका नेटवर्क की त्रुटि काफी कम थी।

भौतिकविदों ने क्वांटम अवस्थाओं का निदान करने का एक शानदार तरीका ढूंढ लिया है

रयान ग्लासरअमेरिका के लुइसियाना में तुलाने विश्वविद्यालय के क्वांटम ऑप्टिक्स विशेषज्ञ, जिन्होंने पहले क्वांटम स्थितियों का अनुमान लगाने के लिए मशीन लर्निंग का उपयोग किया है, नए काम को "महत्वपूर्ण" कहते हैं। ग्लासर कहते हैं, "क्वांटम प्रौद्योगिकियों में अभी जिन समस्याओं का सामना करना पड़ रहा है उनमें से एक यह है कि हम उस बिंदु पर पहुंच रहे हैं जहां हम चीजों को बड़े सिस्टम में स्केल कर सकते हैं, और ... आप अपने सिस्टम को पूरी तरह से समझने में सक्षम होना चाहते हैं।" "क्वांटम प्रणालियां बेहद नाजुक हैं और उन्हें मापना और पूरी तरह से चित्रित करना मुश्किल है...[शोधकर्ताओं] ने दिखाया है कि वे अपने सिस्टम में उलझाव की मात्रा को बहुत सटीक रूप से माप सकते हैं, जो बहुत उपयोगी है क्योंकि हम बड़े और बड़े क्वांटम सिस्टम में जाते हैं क्योंकि कोई भी नहीं चाहता है टू-क्यूबिट क्वांटम कंप्यूटर।

समूह अब अपने अनुसंधान को बड़े क्वांटम सिस्टम तक विस्तारित करने की योजना बना रहा है। जेज़ेक को व्युत्क्रम समस्या में भी रुचि है: "मान लीजिए कि हमें एक क्वांटम प्रणाली के उलझाव को 1% की सटीकता के साथ मापने की आवश्यकता है," वह कहते हैं, "उस स्तर को प्राप्त करने के लिए हमें माप के किस न्यूनतम स्तर की आवश्यकता है उलझाव का अनुमान?”

शोध में प्रकाशित किया गया है विज्ञान अग्रिम.

• एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
• प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
• प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
• प्लेटोईएसजी. ऑटोमोटिव/ईवीएस, कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
• BlockOffsets. पर्यावरणीय ऑफसेट स्वामित्व का आधुनिकीकरण। यहां पहुंचें।
• स्रोत: https://physicsworld.com/a/neural-networks-speed-up-quantum-state-measurements/