A neurális hálózatok felgyorsítják a kvantumállapot-méréseket – Physics World

A neurális hálózatok felgyorsítják a kvantumállapot-méréseket – Physics World

Időbélyeg: 31. július 2023. 12:00

kvantum-algoritmus absztrakt
(Jóvolt: iStock/Anadmist)

Egy új tanulmány szerint a neurális hálózatok sokkal hatékonyabban tudják megbecsülni a kvantumrendszerek összefonódásának mértékét, mint a hagyományos technikák. A kvantumállapotok teljes jellemzésének szükségességét mellőzve az új mélytanulási módszer különösen hasznosnak bizonyulhat a nagyszabású kvantumtechnológiák esetében, ahol a számszerűsítés kulcsfontosságú lesz, de az erőforrások korlátai miatt a teljes állapot jellemzése irreális.

Az összefonódás – olyan helyzet, amelyben több részecskének közös hullámfüggvénye van, így az egyik részecske zavarása az összes többire is hatással van – a kvantummechanika középpontjában áll. A rendszerben való összefonódás mértékének mérése tehát része annak megértésének, hogy ez mennyire „kvantum” – mondja a tanulmány társszerzője. Miroslav Ježek, a csehországi Palacký Egyetem fizikusa. „Ezt a viselkedést az egyszerű kétrészecskés rendszerektől kezdve figyelhetjük meg, ahol a kvantumfizika alapjait tárgyalják” – magyarázza. "Másrészt közvetlen kapcsolat van például az összefonódás változásai és a fázisátalakulások között a makroszkopikus anyagban."

Egy rendszerben bármely két részecske összefonódásának mértéke egyetlen számmal meghatározható. Ennek a számnak a pontos értékéhez a hullámfüggvény rekonstrukciója szükséges, de a kvantumállapot mérése tönkreteszi azt, ezért ugyanannak az állapotnak több másolatát kell újra és újra megmérni. Ezt a klasszikus tomográfiához hasonlóan kvantumtomográfiának nevezik, amelyben 2D-s képek sorozatát használják fel egy 3D-s kép megalkotására, és ez a kvantumelmélet megkerülhetetlen következménye. "Ha egy mérésből megtudhatnád a kvantumállapotot, a qubit nem kubit lenne, hanem egy kicsit lenne, és nem lenne kvantumkommunikáció" Ana Predojević, a svédországi Stockholmi Egyetem fizikusa és a kutatócsoport tagja.

A probléma az, hogy a kvantummérés eredendő bizonytalansága rendkívül megnehezíti a (például) qubitek közötti összefonódás mérését egy kvantumprocesszorban, mivel minden qubiten teljes, több qubites hullámfüggvény-tomográfiát kell végezni. Ez még egy kis processzornál is napokig tart: „Nem lehet csak egy mérést végezni, és megmondani, hogy van-e összegabalyodás vagy sem” – mondja Predojević. „Olyan ez, mint amikor az emberek CAT [számítógépes axiális tomográfia] vizsgálatot végeznek a gerincről – 45 percig a csőben kell lenni, hogy teljes képet készíthessenek: nem lehet megkérdezni, hogy nincs-e valami baj ezzel vagy azzal a csigolyával. egy ötperces szkennelés."

Elég jó válaszok keresése

Bár az összefonódás 100%-os pontosságú kiszámításához teljes kvantumállapot-tomográfiára van szükség, számos olyan algoritmus létezik, amely részinformációkból kitalálhatja a kvantumállapotot. Ježek szerint ezzel a megközelítéssel az a probléma, hogy „nincs matematikai bizonyíték arra, hogy bizonyos korlátozott számú méréssel az összefonódásról mondana valamit bizonyos precíziós szinten”.

Az új munkában Ježek, Predojević és munkatársai más utat választottak, teljesen elvetették a kvantumállapot-rekonstrukció fogalmát, és kizárólag az összefonódás mértékét célozták meg. Ennek érdekében mély neurális hálózatokat terveztek az összegabalyodott kvantumállapotok tanulmányozására, és numerikusan generált adatokra tanították őket. „Véletlenszerűen választjuk ki a kvantumállapotokat, és az állapot létrehozása után ismerjük a hálózat kimenetét, mert ismerjük a rendszerben lévő összefonódás mértékét” – magyarázza Ježek; "de szimulálhatjuk azokat az adatokat is, amelyeket különböző irányokból különböző számú példány mérése során kapnánk... Ezek a szimulált adatok a hálózat bemenetei."

A hálózatok ezeket az adatokat arra használták fel, hogy megtanítsák magukat, hogy adott mérési sorozatokból egyre jobb becsléseket készítsenek az összefonódásról. A kutatók ezután egy második szimulált adathalmaz segítségével ellenőrizték az algoritmus pontosságát. Azt találták, hogy hibái körülbelül 10-szer alacsonyabbak, mint a hagyományos kvantumtomográfia becslési algoritmusoké.

A módszer kísérleti tesztelése

Végül a kutatók kísérletileg megmértek két valódi összefonódott rendszert: egy rezonánsan pumpált félvezető kvantumpontot és egy spontán parametrikus lefelé konverziós kétfoton forrást. „Teljes kvantumállapotú tomográfiát mértünk… és ebből mindent tudtunk a kvantumállapotról” – mondja Ježek. „Aztán néhány mérést kihagytunk. Ahogy egyre több mérést távolítottak el, a mély neurális hálózataik előrejelzéseinek hibáját hasonlították össze ugyanazon hagyományos algoritmus hibáival. A neurális hálózatok hibája lényegesen kisebb volt.

Ryan Glasser, az amerikai louisianai Tulane Egyetem kvantumoptikai szakértője, aki korábban gépi tanulást használt a kvantumállapotok becslésére, az új munkát „jelentősnek” nevezi. „A kvantumtechnológiák egyik problémája jelenleg az, hogy eljutunk arra a pontra, ahol a dolgokat nagyobb rendszerekre is méretezhetjük, és… teljes mértékben meg akarja érteni a rendszerét” – mondja Glasser. „A kvantumrendszerek köztudottan kényesek, nehezen mérhetők és teljes mértékben jellemezhetők… [A kutatók] azt mutatják, hogy nagyon pontosan tudják számszerűsíteni a rendszerükben lévő összefonódás mértékét, ami nagyon hasznos, amikor egyre nagyobb kvantumrendszerekre megyünk, mert senki sem akar két qubites kvantumszámítógép.”

A csoport most azt tervezi, hogy kiterjeszti kutatását nagyobb kvantumrendszerekre. Ježeket is érdekli az inverz probléma: „Tegyük fel, hogy meg kell mérnünk egy kvantumrendszer összefonódását, mondjuk 1%-os pontossággal” – mondja: „Milyen minimális mérési szintre van szükségünk ahhoz, hogy megkapjuk ezt a szintet. összefonódás becslése?”

A kutatást a Tudomány előlegek.

Időbélyeg:

Még több Fizika Világa