Redes neurais aceleram medições de estado quântico – Physics World

As redes neurais podem estimar o grau de emaranhamento em sistemas quânticos com muito mais eficiência do que as técnicas tradicionais, mostra um novo estudo. Ao contornar a necessidade de caracterizar totalmente os estados quânticos, o novo método de aprendizado profundo pode ser especialmente útil para tecnologias quânticas de larga escala, onde a quantificação do emaranhamento será crucial, mas as limitações de recursos tornam a caracterização completa do estado irreal.

O emaranhamento – uma situação em que várias partículas compartilham uma função de onda comum, de modo que a perturbação de uma partícula afeta todas as outras – está no cerne da mecânica quântica. Medir o grau de emaranhamento em um sistema é, portanto, parte da compreensão de quão “quântico” ele é, diz o coautor do estudo Miroslav Ježek, físico da Universidade de Palacký, na República Tcheca. “Você pode observar esse comportamento a partir de sistemas simples de duas partículas, onde são discutidos os fundamentos da física quântica”, explica ele. “Por outro lado, existe uma ligação direta entre, por exemplo, mudanças de emaranhamento e transições de fase na matéria macroscópica.”

O grau em que quaisquer duas partículas em um sistema estão emaranhadas pode ser quantificado por um único número. Obter o valor exato desse número requer a reconstrução da função de onda, mas a medição de um estado quântico a destrói, portanto, várias cópias do mesmo estado devem ser medidas repetidamente. Isso é chamado de tomografia quântica em analogia à tomografia clássica, na qual uma série de imagens 2D é usada para construir uma 3D, e é uma consequência inevitável da teoria quântica. “Se você pudesse aprender sobre um estado quântico a partir de uma medição, um qubit não seria um qubit – seria um bit – e não haveria comunicação quântica”, diz Ana Predojević, físico da Universidade de Estocolmo, na Suécia, e membro da equipe de estudo.

O problema é que a incerteza inerente de uma medição quântica torna extremamente difícil medir o emaranhamento entre (por exemplo) qubits em um processador quântico, uma vez que é preciso realizar uma tomografia de função de onda multi-qubit completa em cada qubit. Mesmo para um processador pequeno, isso levaria dias: “Você não pode fazer apenas uma medição e dizer se tem emaranhamento ou não”, diz Predojević. “É como quando as pessoas fazem uma TAC [tomografia axial computadorizada] da sua coluna – você precisa ficar no tubo 45 minutos para que possam tirar a imagem completa: você não pode perguntar se há algo errado com esta ou aquela vértebra de uma varredura de cinco minutos.

Encontrar respostas suficientemente boas

Embora o cálculo do emaranhamento com 100% de precisão exija tomografia completa do estado quântico, existem vários algoritmos que podem adivinhar o estado quântico a partir de informações parciais. O problema com essa abordagem, diz Ježek, é “não há prova matemática de que, com um número limitado de medições, você diga algo sobre emaranhamento em algum nível de precisão”.

No novo trabalho, Ježek, Predojević e seus colegas adotaram uma abordagem diferente, descartando completamente a noção de reconstrução do estado quântico em favor de focar apenas no grau de emaranhamento. Para fazer isso, eles projetaram redes neurais profundas para estudar estados quânticos emaranhados e os treinaram em dados gerados numericamente. “Selecionamos estados quânticos aleatoriamente e, tendo gerado o estado, conhecemos a saída da rede porque sabemos a quantidade de emaranhamento no sistema”, explica Ježek; “mas também podemos simular os dados que obteríamos durante a medição de diferentes números de cópias de diferentes direções… Esses dados simulados são a entrada da rede.”

As redes usaram esses dados para aprender a fazer estimativas cada vez melhores do emaranhamento a partir de determinados conjuntos de medições. Os pesquisadores então verificaram a precisão do algoritmo usando um segundo conjunto de dados simulados. Eles descobriram que seus erros eram cerca de 10 vezes menores do que os de um algoritmo tradicional de estimativa de tomografia quântica.

Testando o método experimentalmente

Finalmente, os pesquisadores mediram experimentalmente dois sistemas emaranhados reais: um ponto quântico de semicondutor bombeado por ressonância e uma fonte espontânea de dois fótons de conversão descendente paramétrica. “Nós medimos a tomografia do estado quântico completo… e a partir disso sabíamos tudo sobre o estado quântico”, diz Ježek, “então omitimos algumas dessas medições”. À medida que removiam mais e mais medições, eles comparavam o erro nas previsões de suas redes neurais profundas com os erros do mesmo algoritmo tradicional. O erro das redes neurais foi significativamente menor.

Físicos encontram uma maneira mais brilhante de diagnosticar estados quânticos

Ryan Glasser, um especialista em óptica quântica da Universidade de Tulane, em Louisiana, EUA, que já usou o aprendizado de máquina para estimar estados quânticos, chama o novo trabalho de “significativo”. “Um dos problemas que as tecnologias quânticas estão enfrentando agora é que estamos chegando ao ponto em que podemos dimensionar as coisas para sistemas maiores e… você quer ser capaz de entender completamente o seu sistema”, diz Glasser. “Os sistemas quânticos são notoriamente delicados e difíceis de medir e caracterizar completamente… [Os pesquisadores] mostram que podem quantificar com muita precisão a quantidade de emaranhamento em seu sistema, o que é muito útil à medida que avançamos para sistemas quânticos cada vez maiores, porque ninguém quer um computador quântico de dois qubits”.

O grupo agora planeja estender sua pesquisa para sistemas quânticos maiores. Ježek também está interessado no problema inverso: “Digamos que precisamos medir o emaranhamento de um sistema quântico com uma precisão de, digamos, 1%”, diz ele, “Que nível mínimo de medição precisamos para obter esse nível de estimativa de emaranhamento?”

A pesquisa é publicada em Os avanços da ciência.

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
• PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
• PlatãoESG. Automotivo / EVs, Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
• BlockOffsets. Modernizando a Propriedade de Compensação Ambiental. Acesse aqui.
• Fonte: https://physicsworld.com/a/neural-networks-speed-up-quantum-state-measurements/