Alat Bantu Pembelajaran Mesin Pemodelan Klasik Sistem Kuantum | Majalah Kuanta

Memahami alam semesta kuantum bukanlah hal yang mudah. Gagasan intuitif tentang ruang dan waktu terpecah dalam ranah kecil fisika subatom, sehingga memungkinkan terjadinya perilaku yang, menurut kepekaan makro kita, tampak sangat aneh.

Komputer kuantum seharusnya memungkinkan kita memanfaatkan keanehan ini. Mesin seperti itu secara teoritis dapat mengeksplorasi interaksi molekuler untuk menciptakan obat baru dan bahan. Namun mungkin yang paling penting, dunia ini sendiri dibangun di atas alam semesta kuantum ini – jika kita ingin memahami cara kerjanya, kita mungkin memerlukan alat kuantum.

Namun, saat ini perangkat kuantum jangka pendek masih jauh dari memenuhi janji tersebut, karena mereka tidak dapat mengeksekusi interaksi kuantum dalam jumlah besar dengan andal. Sampai para peneliti dapat mengatasi masalah ini, komputer klasik tetap menjadi cara terbaik untuk menyelesaikan permasalahan di dunia nyata, betapapun tidak efisiennya komputer tersebut melakukannya.

Tapi mungkin ada solusinya, semacam kompromi kuantum. Serangkaian makalah baru-baru ini menunjukkan bahwa sistem kuantum yang ingin Anda pahami dapat diambil, propertinya dimasukkan ke dalam mesin klasik, dan mesin tersebut dapat digunakan untuk memprediksi perilaku sistem kuantum. Dengan menggabungkan cara baru dalam memodelkan sistem kuantum dengan algoritma pembelajaran mesin yang semakin canggih, para peneliti telah mapan sebuah metode mesin klasik untuk memodelkan dan memprediksi perilaku kuantum.

“Saya pikir pekerjaan ini sangat signifikan,” katanya Yi-Zhuang Anda, seorang fisikawan di Universitas California, San Diego yang tidak terafiliasi dengan penelitian tersebut. “Ini secara mendasar mengubah bidang ini dalam arti bahwa ini adalah cara yang tepat untuk menggabungkan komputasi kuantum dan pembelajaran mesin.”

Apa yang Kita Pelajari dari Bayangan

Peneliti telah mencoba menggunakan komputer klasik untuk memprediksi keadaan kuantum setidaknya sejak tahun 1989. Biasanya, sistem kuantum dengan n qubit — setara kuantum dari bit — dapat diwakili oleh array klasik 2ⁿ angka. Ukuran array ini meningkat secara eksponensial seiring dengan jumlah qubit, yang berarti bahwa daya komputasi yang dibutuhkan dengan cepat menjadi sangat mahal.

Pada akhir tahun 2017, ilmuwan komputer Scott Aaronson disarankan bahwa tidak perlu mengetahui representasi klasik sistem kuantum secara lengkap. Sebaliknya, Anda mungkin dapat mempelajari keadaan kuantum tertentu dan memprediksi propertinya hanya dengan menggunakan subset representasi.

Kemudian pada tahun 2020, para fisikawan Hsin Yuan (Robert) Huang dan Richard Kueng memelopori pendekatan praktis terhadap metode Aaronson. Teknik mereka memungkinkan mereka memprediksi banyak karakteristik keadaan kuantum suatu sistem dari sedikit pengukuran menggunakan metode klasik. Prosesnya melibatkan pembangunan “bayangan klasik” dari pengukuran ini: representasi klasik singkat dari sistem kuantum, mirip dengan bayangan sebenarnya, yang menyampaikan banyak informasi – tetapi tidak semuanya – tentang objek yang menghasilkannya.

“Anda harus menurunkan pandangan Anda dan hanya mencoba memprediksi observasi kuantum tertentu,” katanya John Preskill, seorang ahli fisika teoretis di Institut Teknologi California yang bekerja dengan Huang dan Kueng dalam proyek tersebut.

Dengan model ini, jika Anda ingin memprediksi sejumlah properti sistem, Anda memerlukan pengukuran secukupnya — khususnya, sejumlah pengukuran yang berskala sebagai logaritma dari jumlah properti. “Ide Robert brilian,” kata Xie Chen, rekan Preskill di Caltech yang tidak terkait dengan penelitian ini. “Hal ini akan memberi kita keuntungan besar dalam mempelajari sistem dengan melakukan pengambilan sampel secara acak.”

Pendekatan ini telah menunjukkan beberapa keberhasilan. Para ilmuwan telah menggunakan bayangan klasik ini untuk melakukan simulasi terbesar kimia kuantum yang pernah dilakukan, menggunakan algoritma klasik dengan komputer kuantum yang berisik dan rawan kesalahan untuk mempelajari gaya yang dialami oleh atom dalam kristal berlian.

Tapi mungkin mereka bisa berbuat lebih banyak. Huang dan yang lainnya ingin mempelajari sistem kuantum tidak hanya pada satu momen statis – seperti dalam kristal – tetapi seiring perubahannya seiring berjalannya waktu. Hal ini akan memberi para peneliti lebih banyak wawasan tentang bagaimana sistem ini berperilaku, dengan mengorbankan lebih banyak data untuk diproses. Untungnya, saat ini alat lain telah menjadi populer untuk tugas serupa: pembelajaran mesin.

Melatih Model

Dalam beberapa tahun terakhir, model pembelajaran mesin klasik telah membuat kemajuan revolusioner dalam meningkatkan prediksi otomatis. Namun ketika para peneliti mencoba menggunakannya untuk memecahkan masalah kuantum, kata Preskill, model tersebut sering kali memberikan hasil yang benar, namun keakuratannya tidak terjamin. Pembelajaran mesin biasanya berkembang melalui uji coba, jadi Anda memerlukan jenis data yang tepat — dan dalam jumlah banyak — untuk mendapatkan informasi yang berguna.

A kertas oleh Huang dan kolaborator di Google Quantum AI menggarisbawahi bahwa intuisi: Algoritme pembelajaran mesin klasik yang dilatih dengan data kuantum yang cukup dapat memiliki kekuatan komputasi yang cukup untuk memodelkan sistem kuantum.

Tapi masih ada masalah. Model pembelajaran mesin ini pada dasarnya masih klasik, artinya tidak mungkin model tersebut benar-benar memproses data kuantum dan menghasilkan status kuantum. Untuk menyiasati hal ini, Huang dan rekannya menunjukkan dalam a Ilmu makalah tahun lalu bagaimana menggunakan bayangan klasik untuk mengubah informasi kuantum menjadi data klasik. Mereka kemudian dapat melatih model pembelajaran mesin untuk memprediksi properti sistem kuantum baru.

“Keuntungan yang mereka ciptakan adalah peta kuantum antara masukan [kuantum] dan keluaran [kuantum], keduanya merupakan bayangan klasik – karena Anda tidak akan pernah berhasil jika itu meledak hingga mencapai keadaan kuantum penuh,” kata Jarrod McClean, seorang ilmuwan komputer di Google Quantum AI.

Hal ini tampaknya dapat dilakukan dalam praktiknya, karena model tersebut hanya memerlukan sejumlah titik data polinomial untuk mencapai prediksi yang akurat. Sayangnya, hal itu masih belum ideal. “Polinomialnya sangat besar,” kata Huang. Pada dasarnya, terlalu sulit untuk mendapatkan data pelatihan sebanyak itu.

Potongan terakhir dari teka-teki itu muncul dalam a bengkel pada bulan Juli tahun ini di Simons Institute for the Theory of Computing di University of California, Berkeley. Di sana, seorang sarjana di kelompok Preskill bernama Laura Lewis mendemonstrasikan jalan keluar dari rintangan tersebut.

Meskipun model-model sebelumnya agnostik terhadap geometri sistem kuantum yang diteliti, karya Lewis tidak. Daripada mencoba melacak interaksi antara setiap kombinasi qubit dalam sistem, algoritmenya berfokus pada interaksi lokal antara qubit yang terletak bersebelahan. Pendekatan ini sekarang memerlukan lebih sedikit data pelatihan – hanya fungsi logaritmik dari jumlah qubit – untuk memprediksi properti sistem kuantum secara akurat, sehingga pada akhirnya dapat dilakukan secara praktis.

Melampaui Bayangan

Dengan model ini, peneliti dapat mengeksplorasi komposisi dan perilaku sistem kuantum yang semakin rumit. Namun hasil Lewis juga dapat membantu meningkatkan penelitian ini: Kita sekarang memiliki cara yang lebih baik untuk memahami cara mengurangi persyaratan penskalaan untuk prediksi masa depan tentang sistem kuantum lainnya.

Pekerjaan Lewis mengungkapkan “berapa banyak data [harus] dikumpulkan dari sistem fisik untuk membuat prediksi yang andal,” kata McClean.

Sementara itu, Huang telah melakukan eksplorasi lebih jauh. Berdasarkan karyanya pada bayangan klasik dan pembelajaran mesin, dia baru-baru ini bekas algoritma yang ditingkatkan untuk mempelajari sistem kuantum aktif (seperti transformasi keadaan kuantum ke keadaan lain) dengan jumlah data yang lebih kecil. Preskill menduga ini hanyalah permulaan. “Apa yang saya perkirakan dalam lima hingga 10 tahun ke depan, dampak utama dari komputasi kuantum bukanlah aplikasi yang penting secara komersial,” ujarnya. “Ini akan menjadi eksplorasi ilmiah.”

Untuk saat ini, metode baru yang dikembangkan oleh Huang dan Lewis masih perlu diuji secara ketat dalam eksperimen laboratorium. Sistem eksperimental memiliki beban tambahan termasuk kesalahan pengukuran dan ketidakakuratan, kata Chen, yang masih belum dapat ditangani oleh model ini.

Meskipun penelitian ini masih dalam proses, bayangan klasik ini seharusnya memungkinkan para peneliti untuk meningkatkan pemahaman mereka tentang ranah teoritis kuantum dengan cara-cara baru. Apakah bayangan klasik cukup untuk menangkap kompleksitas kuantum, atau apakah kita memerlukan pendekatan kuantum sepenuhnya? Apakah ada sifat atau dinamika kuantum yang selamanya berada di luar jangkauan? “Pekerjaan mereka telah merintis untuk mulai memikirkan pertanyaan-pertanyaan ini,” katanya Soonwon Choi, seorang fisikawan di Massachusetts Institute of Technology.

Dan mungkin suatu hari nanti, kata Preskill, para peneliti akan mengumpulkan cukup data eksperimen untuk dapat memprediksi fitur sistem yang belum pernah ditemukan di laboratorium. “Ini adalah salah satu tujuan besar penerapan pembelajaran mesin pada fisika kuantum,” katanya. “Dan kami dapat menunjukkan bahwa setidaknya dalam beberapa situasi, Anda dapat membuat prediksi yang akurat.”

Catatan editor: Scott Aaronson adalah anggota dari Majalah Quanta'S Dewan Penasehat.