Neurala nätverk påskyndar kvanttillståndsmätningar – Physics World

Neurala nätverk påskyndar kvanttillståndsmätningar – Physics World

Tidsstämpel: 31 juli 2023 12:00

kvantalgoritmabstrakt
(Med tillstånd: iStock/Anadmist)

Neurala nätverk kan uppskatta graden av intrassling i kvantsystem mycket mer effektivt än traditionella tekniker, visar en ny studie. Genom att kringgå behovet av att helt karakterisera kvanttillstånd, kan den nya djupinlärningsmetoden visa sig vara särskilt användbar för storskaliga kvantteknologier, där kvantifiering av intrassling kommer att vara avgörande men resursbegränsningar gör fullständig tillståndskarakterisering orealistisk.

Entanglement – ​​en situation där flera partiklar delar en gemensam vågfunktion, så att störande av en partikel påverkar alla andra – är kärnan i kvantmekaniken. Att mäta graden av intrassling i ett system är alltså en del av att förstå hur "kvantum" det är, säger studiens medförfattare Miroslav Ježek, fysiker vid Palacký-universitetet i Tjeckien. "Du kan observera det här beteendet från enkla tvåpartikelsystem där kvantfysikens grunder diskuteras", förklarar han. "Å andra sidan finns det ett direkt samband mellan till exempel förändringar av intrassling och fasövergångar i makroskopisk materia."

Graden till vilken två partiklar i ett system är intrasslade kan kvantifieras med ett enda tal. Att få det exakta värdet på detta tal kräver att vågfunktionen rekonstrueras, men att mäta ett kvanttillstånd förstör det, så flera kopior av samma tillstånd måste mätas om och om igen. Detta kallas kvanttomografi i analogi med klassisk tomografi, där en serie 2D-bilder används för att konstruera en 3D-bild, och det är en oundviklig konsekvens av kvantteorin. "Om du kunde lära dig om ett kvanttillstånd från en mätning skulle en qubit inte vara en qubit - det skulle vara lite - och det skulle inte finnas någon kvantkommunikation", säger Ana Predojević, fysiker vid Stockholms universitet, Sverige, och medlem i studiegruppen.

Problemet är att den inneboende osäkerheten i en kvantmätning gör det extremt svårt att mäta intrasslingen mellan (till exempel) qubits i en kvantprocessor, eftersom man måste utföra full multi-qubit vågfunktionstomografi på varje qubit. Även för en liten processor skulle detta ta dagar: "Du kan inte bara göra en mätning och säga om du har trassel eller inte", säger Predojević. "Det är som när människor gör en CAT-skanning av din ryggrad – du måste vara i röret i 45 minuter så att de kan ta hela bilden: du kan inte fråga om det är något fel på den eller den där kotan från en fem minuters skanning."

Att hitta tillräckligt bra svar

Även om beräkning av intrassling med 100 % noggrannhet kräver full kvanttillståndstomografi, finns det flera algoritmer som kan gissa kvanttillståndet från partiell information. Problemet med detta tillvägagångssätt, säger Ježek, är "det finns inga matematiska bevis för att man med ett begränsat antal mätningar säger något om intrassling på någon precisionsnivå".

I det nya verket tog Ježek, Predojević och kollegor ett annat grepp och kastade bort begreppet kvanttillståndsrekonstruktion helt och hållet till förmån för att enbart inrikta sig på graden av intrassling. För att göra detta designade de djupa neurala nätverk för att studera intrasslade kvanttillstånd och tränade dem på numeriskt genererad data. "Vi väljer kvanttillstånd slumpmässigt och, efter att ha genererat tillståndet, känner vi till utdata från nätverket eftersom vi känner till mängden intrassling i systemet", förklarar Ježek; "men vi kan också simulera data som vi skulle få under mätning av olika antal kopior från olika riktningar... Dessa simulerade data är indata från nätverket."

Nätverken använde dessa data för att lära sig att göra allt bättre uppskattningar av intrasslingen från givna uppsättningar mätningar. Forskarna kontrollerade sedan algoritmens noggrannhet med hjälp av en andra uppsättning simulerade data. De fann att dess fel var cirka 10 gånger lägre än för en traditionell kvanttomografisk uppskattningsalgoritm.

Testa metoden experimentellt

Slutligen mätte forskarna experimentellt två verkliga intrasslade system: en resonanspumpad halvledarkvantprick och en spontan parametrisk nedkonvertering två-fotonkälla. "Vi mätte full kvanttillståndstomografi ... och från detta visste vi allt om kvanttillståndet," säger Ježek, "Då utelämnade vi några av dessa mätningar." När de tog bort fler och fler mätningar jämförde de felet i förutsägelserna av deras djupa neurala nätverk med felen från samma traditionella algoritm. Felet i de neurala nätverken var betydligt lägre.

Ryan Glasser, en kvantoptikexpert vid Tulane University i Louisiana, USA, som tidigare har använt maskininlärning för att uppskatta kvanttillstånd, kallar det nya arbetet "signifikant". "Ett av problemen med kvantteknologier just nu är att vi kommer till den punkt där vi kan skala saker till större system, och ... du vill kunna förstå ditt system fullt ut", säger Glasser. "Kvantsystem är notoriskt känsliga och svåra att mäta och helt karakterisera ... [Forskarna] visar att de mycket exakt kan kvantifiera mängden intrassling i deras system, vilket är mycket användbart när vi går till större och större kvantsystem eftersom ingen vill ha en två-qubit kvantdator."

Gruppen planerar nu att utöka sin forskning till större kvantsystem. Ježek är också intresserad av det omvända problemet: "Låt oss säga att vi behöver mäta intrasslingen av ett kvantsystem med en precision på, säg, 1%", säger han, "Vilken miniminivå av mätning behöver vi för att få den nivån av uppskattning av intrassling?”

Forskningen är publicerad i Vetenskap Förskott.

Tidsstämpel:

Mer från Fysikvärlden