Nevrale nettverk øker hastigheten på kvantetilstandsmålinger – Physics World

Nevrale nettverk kan estimere graden av sammenfiltring i kvantesystemer langt mer effektivt enn tradisjonelle teknikker, viser en ny studie. Ved å omgå behovet for å karakterisere kvantetilstander fullt ut, kan den nye dyplæringsmetoden vise seg å være spesielt nyttig for storskala kvanteteknologier, der kvantifisering av sammenfiltring vil være avgjørende, men ressursbegrensninger gjør full tilstandskarakterisering urealistisk.

Entanglement - en situasjon der flere partikler deler en felles bølgefunksjon, slik at forstyrrelse av en partikkel påvirker alle andre - er kjernen i kvantemekanikken. Å måle graden av sammenfiltring i et system er dermed en del av å forstå hvor "kvante" det er, sier studiemedforfatter Miroslav Ježek, fysiker ved Palacký-universitetet i Tsjekkia. "Du kan observere denne oppførselen fra enkle to-partikkelsystemer der det grunnleggende om kvantefysikk diskuteres," forklarer han. "På den annen side er det en direkte kobling mellom for eksempel endringer av sammenfiltring og faseoverganger i makroskopisk materie."

I hvilken grad to partikler i et system er sammenfiltret kan kvantifiseres med et enkelt tall. Å få den nøyaktige verdien av dette tallet krever rekonstruering av bølgefunksjonen, men måling av en kvantetilstand ødelegger den, så flere kopier av samme tilstand må måles om og om igjen. Dette kalles kvantetomografi i analogi med klassisk tomografi, der en serie 2D-bilder brukes til å konstruere et 3D-bilde, og det er en uunngåelig konsekvens av kvanteteori. "Hvis du kunne lære om en kvantetilstand fra en måling, ville en qubit ikke vært en qubit - det ville vært litt - og det ville ikke vært noen kvantekommunikasjon," sier Ana Predojević, fysiker ved Stockholms universitet, Sverige, og medlem av studieteamet.

Problemet er at den iboende usikkerheten til en kvantemåling gjør det ekstremt vanskelig å måle sammenfiltringen mellom (for eksempel) qubits i en kvanteprosessor, siden man må utføre full multi-qubit bølgefunksjonstomografi på hver qubit. Selv for en liten prosessor vil dette ta dager: "Du kan ikke gjøre bare én måling og si om du har forviklinger eller ikke," sier Predojević. "Det er som når folk gjør en CAT-skanning av ryggraden din - du må være i røret i 45 minutter slik at de kan ta hele bildet: du kan ikke spørre om det er noe galt med denne eller den ryggvirvelen fra en fem minutters skanning."

Finne gode nok svar

Selv om beregning av sammenfiltring med 100 % nøyaktighet krever full kvantetilstandstomografi, eksisterer det flere algoritmer som kan gjette kvantetilstanden fra delvis informasjon. Problemet med denne tilnærmingen, sier Ježek, er "det er ikke noe matematisk bevis for at du med et begrenset antall målinger sier noe om sammenfiltring på et eller annet presisjonsnivå".

I det nye verket tok Ježek, Predojević og kollegene et annet grep, og forkastet forestillingen om kvantestatsrekonstruksjon helt til fordel for å målrette graden av sammenfiltring alene. For å gjøre dette designet de dype nevrale nettverk for å studere sammenfiltrede kvantetilstander og trente dem på numerisk genererte data. "Vi velger tilfeldig kvantetilstander og, etter å ha generert tilstanden, kjenner vi utdataene til nettverket fordi vi vet mengden av sammenfiltring i systemet," forklarer Ježek; "men vi kan også simulere dataene vi ville fått under måling av forskjellige antall kopier fra forskjellige retninger...Disse simulerte dataene er inngangen til nettverket."

Nettverkene brukte disse dataene til å lære seg selv å gjøre stadig bedre estimater av sammenfiltringen fra gitte sett med målinger. Forskerne sjekket deretter algoritmens nøyaktighet ved å bruke et andre sett med simulerte data. De fant at feilene var rundt 10 ganger lavere enn for en tradisjonell kvantetomografi-estimeringsalgoritme.

Tester metoden eksperimentelt

Til slutt målte forskerne eksperimentelt to virkelige sammenfiltrede systemer: en resonant pumpet halvlederkvanteprikk og en spontan parametrisk nedkonvertering to-fotonkilde. "Vi målte full kvantetilstandstomografi ... og fra dette visste vi alt om kvantetilstanden," sier Ježek, "Så utelot vi noen av disse målingene." Etter hvert som de fjernet flere og flere målinger, sammenlignet de feilen i spådommene til deres dype nevrale nettverk med feilene fra den samme tradisjonelle algoritmen. Feilen til nevrale nettverk var betydelig lavere.

Fysikere finner en lysere måte å diagnostisere kvantetilstander på

Ryan Glasser, en kvanteoptikkekspert ved Tulane University i Louisiana, USA, som tidligere har brukt maskinlæring for å estimere kvantetilstander, kaller det nye arbeidet "betydelig". "Et av problemene kvanteteknologier støter på akkurat nå, er at vi kommer til det punktet hvor vi kan skalere ting til større systemer, og ... du vil være i stand til å forstå systemet fullt ut," sier Glasser. "Kvantesystemer er notorisk delikate og vanskelige å måle og fullt ut karakterisere ... [Forskerne] viser at de kan kvantifisere mengden av sammenfiltring i systemet veldig nøyaktig, noe som er veldig nyttig når vi går til større og større kvantesystemer fordi ingen vil ha en to-qubit kvantedatamaskin."

Gruppen planlegger nå å utvide sin forskning til større kvantesystemer. Ježek er også interessert i det omvendte problemet: "La oss si at vi trenger å måle sammenfiltringen av et kvantesystem med en presisjon på for eksempel 1%," sier han, "hvilket minimumsnivå av måling trenger vi for å få det nivået av forviklingsestimat?»

Forskningen er publisert i Vitenskap Fremskritt.

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
• PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
• PlatoESG. Bil / elbiler, Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
• BlockOffsets. Modernisering av eierskap for miljøkompensasjon. Tilgang her.
• kilde: https://physicsworld.com/a/neural-networks-speed-up-quantum-state-measurements/