Nevronske mreže pospešijo meritve kvantnega stanja – Svet fizike

Nevronske mreže lahko ocenijo stopnjo zapletenosti v kvantnih sistemih veliko bolj učinkovito kot tradicionalne tehnike, kaže nova študija. Z opustitvijo potrebe po popolni karakterizaciji kvantnih stanj bi se lahko nova metoda globokega učenja izkazala za posebej uporabno za obsežne kvantne tehnologije, kjer bo kvantificiranje prepletenosti ključnega pomena, vendar je zaradi omejitev virov popolna karakterizacija stanja nerealna.

Zapletenost – situacija, v kateri ima več delcev skupno valovno funkcijo, tako da motnja enega delca vpliva na vse ostale – je v središču kvantne mehanike. Merjenje stopnje prepletenosti v sistem je tako del razumevanja, kako "kvantno" je, pravi soavtor študije Miroslav Ježek, fizik na Univerzi Palacký na Češkem. "To vedenje lahko opazujete, začenši s preprostimi sistemi dveh delcev, kjer se razpravlja o osnovah kvantne fizike," pojasnjuje. "Po drugi strani pa obstaja neposredna povezava med, na primer, spremembami zapletanja in faznimi prehodi v makroskopski snovi."

Stopnjo, do katere sta katera koli dva delca v sistemu zapletena, je mogoče kvantificirati z eno samo številko. Pridobivanje natančne vrednosti te številke zahteva rekonstrukcijo valovne funkcije, vendar jo merjenje kvantnega stanja uniči, zato je treba vedno znova meriti več kopij istega stanja. To se imenuje kvantna tomografija v analogiji s klasično tomografijo, v kateri se serija 2D slik uporablja za izdelavo 3D slike, in je neizogibna posledica kvantne teorije. »Če bi se lahko naučili o kvantnem stanju iz ene meritve, kubit ne bi bil kubit – bil bi malo – in kvantne komunikacije ne bi bilo,« pravi Ana Predojević, fizik na Univerzi v Stockholmu na Švedskem in član študijske skupine.

Težava je v tem, da je inherentna negotovost kvantne meritve izredno težko izmeriti prepletenost med (na primer) kubiti v kvantnem procesorju, saj je treba na vsakem kubitu izvesti popolno tomografijo valovne funkcije z več kubiti. Tudi pri majhnem procesorju bi to trajalo dneve: »Ne moreš narediti le ene meritve in reči, ali imaš prepletenost ali ne,« pravi Predojević. »To je tako, kot ko bi ljudje naredili CAT [računalniško aksialno tomografijo] vaše hrbtenice – v cevi morate biti 45 minut, da lahko posnamejo celotno sliko: ne morete vprašati, ali je s tem ali onim vretencem kaj narobe. petminutno skeniranje."

Iskanje dovolj dobrih odgovorov

Čeprav je za izračun prepletenosti s 100-odstotno natančnostjo potrebna popolna tomografija kvantnega stanja, obstaja več algoritmov, ki lahko uganejo kvantno stanje iz delnih informacij. Težava s tem pristopom, pravi Ježek, je, da "ni matematičnega dokaza, da z nekim omejenim številom meritev poveš nekaj o prepletenosti na neki ravni natančnosti".

V novem delu so Ježek, Predojević in sodelavci ubrali drugačen pristop in v celoti zavrgli pojem kvantne rekonstrukcije stanja v korist ciljanja samo na stopnjo prepletenosti. Da bi to naredili, so oblikovali globoke nevronske mreže za preučevanje zapletenih kvantnih stanj in jih urili na numerično generiranih podatkih. »Naključno izberemo kvantna stanja in po generiranju stanja poznamo izhod omrežja, ker poznamo količino prepletenosti v sistemu,« pojasnjuje Ježek; "Lahko pa tudi simuliramo podatke, ki bi jih dobili med merjenjem različnih števil kopij iz različnih smeri ... Ti simulirani podatki so vhod omrežja."

Omrežja so te podatke uporabila, da so se naučila narediti vedno boljše ocene prepletenosti iz danih nizov meritev. Raziskovalci so nato preverili natančnost algoritma z uporabo drugega niza simuliranih podatkov. Ugotovili so, da so njegove napake približno 10-krat nižje od tistih pri tradicionalnem algoritmu za ocenjevanje kvantne tomografije.

Eksperimentalno testiranje metode

Nazadnje so raziskovalci eksperimentalno izmerili dva resnična zapletena sistema: resonančno črpano polprevodniško kvantno piko in spontani parametrični dvofotonski vir s pretvorbo navzdol. "Izmerili smo popolno tomografijo kvantnega stanja ... in iz tega smo vedeli vse o kvantnem stanju," pravi Ježek, "Potem smo nekatere od teh meritev izpustili." Ko so odstranili vedno več meritev, so primerjali napake v napovedih svojih globokih nevronskih mrež z napakami iz istega tradicionalnega algoritma. Napaka nevronskih mrež je bila bistveno manjša.

Fiziki najdejo svetlejši način za diagnosticiranje kvantnih stanj

Ryan Glasser, strokovnjak za kvantno optiko na Univerzi Tulane v Louisiani v ZDA, ki je že uporabljal strojno učenje za oceno kvantnih stanj, novo delo imenuje "pomembno". "Ena od težav, s katerimi se trenutno srečujejo kvantne tehnologije, je ta, da prihajamo do točke, ko lahko stvari razširimo na večje sisteme, in ... želite, da bi lahko popolnoma razumeli svoj sistem," pravi Glasser. »Kvantni sistemi so zloglasno občutljivi in ​​jih je težko izmeriti in v celoti opredeliti ... [Raziskovalci] so pokazali, da lahko zelo natančno kvantificirajo količino zapletenosti v svojem sistemu, kar je zelo koristno, ko gremo k vedno večjim kvantnim sistemom, ker nihče ne želi dvokubitni kvantni računalnik."

Skupina zdaj načrtuje razširitev svojih raziskav na večje kvantne sisteme. Ježka zanima tudi inverzni problem: »Recimo, da moramo izmeriti prepletenost kvantnega sistema z natančnostjo, recimo 1 %,« pravi, »Kakšno minimalno raven merjenja potrebujemo, da dobimo to raven ocena zapletenosti?"

Raziskava je objavljena v Znanost Predplačila.

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
• PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
• PlatoESG. Avtomobili/EV, Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
• BlockOffsets. Posodobitev okoljskega offset lastništva. Dostopite tukaj.
• vir: https://physicsworld.com/a/neural-networks-speed-up-quantum-state-measurements/