A kvantumtechnológia fejlődésével a kutatók egyre több alkatrészt tudnak összekapcsolni, hogy létrejöjjön a születőben lévő kvantumszámítógép. Fontos kihívást jelent annak ismerete, hogy mely összetevőkben és konfigurációkban rejlik a legtöbb lehetőség hasznos rendszerek létrehozására. Most, Leopoldo Sarra és a Florian Marquardt megmutatták, hogyan használható a gépi tanulás a nagyszabású kvantumhálózatok mély Bayes-féle kísérleti tervezésének megvalósítására.
Marquardt a németországi Max Planck Fénytudományi Intézetben dolgozik, ahol a kutatást végezték. Sarra azóta az amerikai Flatiron Intézetbe költözött, ahonnan beszélt Fizika Világa a kutatásról.
Mi az a mély Bayes-féle kísérleti tervezés?
A kísérleti tervezés a tudomány azon ága, amely egy fizikai rendszer vagy jelenség jellemzésére elvégzendő kísérletek kiválasztásával foglalkozik. Egy új kísérlet megtervezésekor a tudósoknak figyelembe kell venniük azokat a hipotéziseket, amelyeket tesztelni vagy meghamisítani szeretnének, és előnyben kell részesíteni azokat, amelyek valószínűleg hasznosabbak. Gyakran nagyon bonyolult függőségek vannak az érdeklődésre számot tartó fizikai mennyiségek és a tudósok által megfigyelhető hozzáférhető mennyiségek között. A kísérleti eredmények következményei általában nem nyilvánvalóak.
A Bayes-féle kísérleti tervezés a leghasznosabb kísérletek automatikus azonosítására szolgáló technika, amely lehetővé teszi számunkra, hogy a lehető legtöbbet megértsük egy fizikai rendszerről. A rendszerrel kapcsolatos kezdeti ismeretekből vagy elvárásokból kiindulva olyan statisztikai modellt épít fel, amely számszerűsíti a tudásunkban rejlő bizonytalanságokat, és azt, hogy ezek hogyan változnak egy adott kísérlet végrehajtásakor. Így számszerűsíti egy kísérlet hasznosságát, és ezáltal a leghasznosabb megtalálását.
Ez a technika azonban ismert, hogy számítási szempontból nagyon költséges. Hagyományosan nagyon durva közelítésekre (vagy akár csak heurisztikákra) volt szükség ahhoz, hogy megvalósítható legyen. A mesterséges intelligencia technikáinak, például a neurális hálózatoknak (más néven „mély tanulásnak”, innen a „mély” szónak) a közelmúltbeli fejlesztésével ma már sokkal jobb közelítéseket lehet készíteni a Bayes-technikáról, ami hatékonyabb és pontosabb eredményekhez vezet.
Melyek azok a fő kihívások, amelyekkel a kvantumtechnológiai platformokat tervező emberek szembesülnek?
A jelenlegi kvantumeszközök gyártása és működtetése rendkívül nagy kihívást jelent. Erősen befolyásolják őket az interferencia és a környezeti zaj, ami alááshatja a megbízhatóságukat és a nagy eszközök összeszerelésének képességét, ha sokukat összekapcsolják. Különösen az azonos eszközök előállítására irányuló gyártási erőfeszítések ellenére az egyes alkatrészek mindig kissé eltérőek lesznek a gyártási tökéletlenségek miatt, és így a várttól kissé eltérő viselkedést mutatnak. Ezenkívül az alkatrész viselkedését a környezeti feltételek (például hőmérséklet-ingadozások, környezeti zaj stb.) is befolyásolhatják. Ezért kulcsfontosságúvá válik az a képesség, hogy megértsük az eszköz tényleges működési módját, és megfelelően figyelembe vegyük és kijavítsuk az elvárt viselkedéstől való eltéréseket.
Hogyan segíthet a mély Bayes-féle kísérleti tervezés megoldani ezeket a problémákat?
Mivel egyszerűen nem lehetséges minden egyes kvantumeszköz manuális jellemzése minden használat előtt, automatizált technikákat kell alkalmazni. A Bayes-féle kísérleti tervezés módot ad egy kvantumrendszer jellemzésére minimális számú méréssel. Használható a különböző megközelítések összehasonlítására és a leghatékonyabbak megértésére. Míg a manuálisan megtervezett stratégiák megoldást jelenthetnek, azt várjuk, hogy a Bayes-technikák sokkal hatékonyabbak legyenek, gyorsabb és pontosabb eredményeket biztosítva. Előnyük kettős: egyrészt elmondják, hogyan lehet egy új kísérlet eredményét beépíteni a korábbi ismeretekbe; másodszor, megmondják, melyik kísérletet kell ezután futtatni. Bármelyik lépés hatékonyságának hiánya hosszabb jellemzési időt vagy alacsonyabb pontosságot eredményez.
Mit tett a „Mély Bayes-féle kísérleti tervezés kvantum-többtest-rendszerekhez” című tanulmányában?
Ebben a munkában a mesterséges intelligencia néhány legkorszerűbb technikájából vettünk át, amelyek a Bayes-i keretrendszer használatához szükséges mennyiségek becslésével foglalkoznak, és megvizsgáltuk ezek kvantumrendszerekre való lehetséges alkalmazását. A cél az volt, hogy megértsük, mennyire hasznosak lehetnek egy kvantumeszköz jellemzésére, mennyire lennének hatékonyak, és milyen technikai kihívásokat kell leküzdeni a jövőbeni gyakorlati alkalmazásokhoz. Figyelembe vettünk néhány leggyakoribb platformot (csatolt üregek és qubit tömbök), és megvizsgáltuk ezeknek a technikáknak az alkalmazását, hogy megtaláljuk működési paramétereiket. Összehasonlítottuk a hatékonyságot néhány naivabb jellemzési stratégiával, például véletlenszerű mérésekkel vagy egyenletes mérésekkel egy paramétertartományban. Tanulmányoztuk a különböző tervezési döntések hatását, valamint a zaj hatását az előrejelzésekben.
Mit talált, és hogyan segítheti elő a kvantumtechnológiák fejlődését?
A Deep Bayes-féle kísérleti tervezés módot ad a rendszer paramétereivel és azok bizonytalanságával kapcsolatos ismeretek frissítésére minden mérés után olyan helyzetekben, amikor a mérési eredmény és a paraméterfrissítés közötti kapcsolat nem triviális. Míg a standard technikák általában csak egyetlen eredményt találnak, amely a legvalószínűbb, hogy leírja a rendszert, a mély technika megközelíti a teljes eloszlást. Ennek eredményeként feltárhatja az adott jellemzési stratégia határait. Ha egy paraméter bizonytalansága sok mérés után sem csökken, az jellemzően azt jelenti, hogy a mérési elrendezés nem teszi lehetővé az adott paraméter egyértelmű meghatározását.
A kiválasztott méréseket áttekintve azt látjuk, hogy „hatékony stratégiák” születnek, amelyek egyesítik a különböző mérési beállítások feltárását (ahol a legrelevánsabb mérési konfigurációkat azonosítják) és az azonosított beállítások kihasználását a bizonytalanság csökkentése érdekében.
Továbbá bemutattuk az aktív karakterizálási stratégia előnyeit, amelyben minden kísérletet (következő mérést) úgy választunk meg, hogy maximalizálja a hasznosságot, összehasonlítva más egyszerűbb mérési stratégiákkal. Egy olyan kvantumeszköz hatékony jellemzéséhez, amely sok különböző paramétertől függhet, és különböző zajforrásoktól függ, a véletlenszerű mérések elvégzése, amelyek nem veszik figyelembe a korábbi eredményeket, egyértelműen szuboptimális.
Ennek a technikának a jövőbeni fejlesztései sokkal megbízhatóbb kvantumeszközökhöz vezetnek.
A gépi tanulás segíti a kvantummágnesek tanulmányozását
Úgy tűnik, hogy ezt a munkát további kutatásokkal fogja követni
Ezzel a munkával megmutattuk, hogy a mély Bayes-féle kísérleti tervezés konkrét előnyöket biztosít a kvantumrendszerek jellemzésében az egyszerűbb technikákhoz képest. A következő lépés a bemutatott módszer technikai továbbfejlesztése, amely lehetővé teszi a gyors alkalmazások valódi kvantumeszközökön való alkalmazását és a nagyobb rendszerekre való felskálázás lehetőségét. Bár jelenleg az algoritmust minden mérés után újra le kell futtatni, az egyik lehetőség az lenne, hogy először egy teljes mérési javaslat stratégiát tanuljunk meg sok szimuláción keresztül, majd ezt a gyorsabb előrejelzőt használjuk a valós eszközzel való használatra.
Általánosságban elmondható, hogy a tudományos módszer alapja az a képesség, hogy rendelkezzünk egy fizikai jelenség modelljével, felmérjük annak bizonytalanságát, és megértsük, mely kísérletek a leghasznosabbak annak javítására. Míg jelenleg a kvantumrendszert egyszerűen modellezzük néhány ismeretlen paraméterrel, és a különböző kísérletek egyszerűen különböző mérési beállításoknak felelnek meg, addig elképzelhetünk egy jövőbeli algoritmust, amely egyfajta „mesterséges tudósként” működik, amely képes önállóan feltárni egy fizikai jelenséget. A kvantumtechnikák Bayes-féle kísérleti tervezésének tanulmányozása szintén előrelépéshez vezet ebben a hosszabb távú elképzelésben.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://physicsworld.com/a/deep-bayesian-experimental-design-characterizes-large-scale-quantum-systems/
- :van
- :is
- :nem
- :ahol
- $ UP
- 160
- a
- képesség
- Képes
- Rólunk
- hozzáférhető
- Fiók
- pontosság
- pontos
- aktív
- cselekmények
- tényleges
- mellett
- előlegek
- Előny
- előnyei
- érintett
- Után
- AIDS
- algoritmus
- lehetővé
- Is
- mindig
- Környező
- an
- és a
- bármilyen
- Alkalmazás
- alkalmazások
- alkalmazott
- megközelít
- közelít
- VANNAK
- mesterséges
- mesterséges intelligencia
- AS
- értékeli
- At
- Automatizált
- automatikusan
- alapján
- alap
- bayesi
- BE
- válik
- előtt
- viselkedés
- Jobb
- között
- Ág
- épít
- épít
- by
- hívott
- TUD
- képes
- kihívás
- kihívások
- kihívást
- változik
- jellemez
- jellemzését
- választás
- választott
- világosan
- össze
- Közös
- összehasonlítani
- képest
- bonyolult
- összetevő
- alkatrészek
- számítógépek
- beton
- Körülmények
- Csatlakozás
- Csatlakozó
- Fontolja
- figyelembe vett
- kijavítására
- tudott
- összekapcsolt
- teremt
- létrehozása
- kritikus
- Jelenleg
- üzlet
- Ajánlatok
- csökkenés
- mély
- függ
- függőségek
- leírni
- Design
- tervezők
- tervezés
- Ellenére
- meghatározás
- Fejlesztés
- fejlesztések
- eszköz
- Eszközök
- DID
- különböző
- terjesztés
- do
- nem
- csinált
- két
- minden
- hatás
- hatékonyság
- hatékony
- erőfeszítések
- bármelyik
- felmerül
- munkavállaló
- Egész
- környezeti
- felidézi vminek a képét
- stb.
- Még
- vár
- várakozás
- várható
- drága
- kísérlet
- kísérleti
- kísérletek
- kizsákmányolás
- kutatás
- feltárt
- Feltárása
- rendkívüli módon
- néző
- GYORS
- gyorsabb
- megvalósítható
- Találjon
- megtalálása
- vezetéknév
- ingadozások
- következő
- A
- Keretrendszer
- ból ből
- front
- további
- jövő
- általában
- Németország
- adott
- cél
- Legyen
- he
- segít
- ennélfogva
- Hogyan
- How To
- HTTPS
- identiques
- azonosított
- azonosító
- if
- kép
- Hatás
- végre
- következményei
- fontos
- javul
- javulás
- javítja
- in
- bele
- növekvő
- eredménytelenség
- információ
- kezdetben
- Intézet
- Intelligencia
- kamat
- Interferencia
- bele
- kérdés
- IT
- ITS
- jpg
- éppen
- Kedves
- Ismerve
- tudás
- ismert
- nagy
- nagyarányú
- nagyobb
- vezet
- vezető
- TANUL
- tanulás
- balra
- Li
- fény
- mint
- Valószínű
- határértékek
- hosszabb
- keres
- alacsonyabb
- gép
- gépi tanulás
- Fő
- csinál
- kézzel
- gyártási
- sok
- max
- max-width
- Maximize
- Lehet..
- eszközök
- mérés
- mérések
- módszer
- minimum
- modell
- több
- hatékonyabb
- a legtöbb
- áthelyezve
- sok
- kell
- születő
- elengedhetetlen
- Szükség
- szükséges
- hálózatok
- ideg-
- neurális hálózatok
- Új
- következő
- Zaj
- Most
- szám
- számok
- megfigyelni
- Nyilvánvaló
- of
- gyakran
- on
- ONE
- azok
- csak
- működik
- üzemeltetési
- or
- Más
- mi
- Eredmény
- Overcome
- saját
- Papír
- paraméter
- paraméterek
- különös
- Emberek (People)
- teljesített
- előadó
- jelenség
- fizikai
- Fizika
- Fizika Világa
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- lehetőség
- lehetséges
- potenciális
- Gyakorlati
- Tippek
- Predictor
- bemutatott
- előző
- Fontossági sorrendet
- problémák
- gyárt
- megfelelően
- ad
- biztosít
- amely
- számszerűsíti
- Kvantum
- kvantum számítógépek
- kvantumhálózatok
- kvantumrendszerek
- kvantumtechnika
- qubit
- véletlen
- hatótávolság
- igazi
- új
- csökkenteni
- rezsim
- kapcsolat
- megbízhatóság
- megbízható
- kutatás
- kutatók
- eredményez
- Eredmények
- mutatják
- futás
- Skála
- Tudomány
- tudományos
- tudósok
- Második
- lát
- kiválasztott
- kiválasztás
- beállítások
- felépítés
- mutatott
- egyszerűbb
- egyszerűen
- óta
- egyetlen
- helyzetek
- kicsit más
- megoldások
- SOLVE
- néhány
- hangok
- Források
- standard
- álló
- Kezdve
- csúcs-
- statisztikai
- Lépés
- Lépései
- stratégiák
- Stratégia
- erősen
- tanult
- tanulmányok
- Tanulmány
- szuboptimális
- ilyen
- rendszer
- Systems
- Vesz
- Műszaki
- technika
- technikák
- Technologies
- Technológia
- mondd
- teszt
- mint
- hogy
- A
- azok
- Őket
- akkor
- Ott.
- ebből adódóan
- Ezek
- ők
- ezt
- azok
- Keresztül
- miniatűr
- Így
- idő
- alkalommal
- nak nek
- együtt
- vett
- hagyományosan
- igaz
- jellemzően
- bizonytalanságok
- Bizonytalanság
- Undermine
- megért
- ismeretlen
- Frissítések
- us
- használ
- használt
- rendszerint
- hasznosság
- különféle
- nagyon
- látomás
- akar
- volt
- Út..
- we
- JÓL
- voltak
- Mit
- amikor
- ami
- míg
- WHO
- lesz
- val vel
- szó
- Munka
- világ
- lenne
- te
- A te
- zephyrnet