神经网络加速量子态测量 – 物理世界

一项新的研究表明，神经网络可以比传统技术更有效地估计量子系统中的纠缠程度。 通过回避完全表征量子态的需要，新的深度学习方法可能对大规模量子技术特别有用，在大规模量子技术中，量化纠缠至关重要，但资源限制使得完整的状态表征不现实。

纠缠是一种情况，其中多个粒子共享一个共同的波函数，因此干扰一个粒子会影响所有其他粒子，这是量子力学的核心。 研究合著者表示，测量系统中的纠缠程度是理解系统“量子”程度的一部分 米罗斯拉夫·耶泽克，捷克帕拉茨基大学的物理学家。 “你可以从简单的双粒子系统开始观察这种行为，其中讨论了量子物理学的基础知识，”他解释道。 “另一方面，例如，宏观物质中的纠缠变化和相变之间存在直接联系。”

系统中任意两个粒子的纠缠程度可以用一个数字来量化。 获得这个数字的精确值需要重建波函数，但测量量子态会破坏它，因此必须一遍又一遍地测量同一状态的多个副本。 这被称为量子断层扫描，类似于经典断层扫描，其中使用一系列 2D 图像来构建 3D 图像，这是量子理论不可避免的结果。 “如果你可以从一次测量中了解量子态，那么一个量子位就不再是一个量子位了——它只是一个比特——而且就不会有量子通信了，”他说。 安娜·普雷多耶维奇瑞典斯德哥尔摩大学物理学家，也是该研究小组的成员。

问题在于，量子测量固有的不确定性使得测量量子处理器中（例如）量子位之间的纠缠变得极其困难，因为必须对每个量子位执行完整的多量子位波函数断层扫描。 即使对于小型处理器，这也需要数天的时间：“你不能只进行一次测量并判断是否存在纠缠，”Predojević 说。 “这就像人们对你的脊柱进行 CAT [计算机轴向断层扫描] 扫描一样，你需要在管子里待 45 分钟，这样他们才能拍摄完整的图像：你不能从扫描仪中询问这块或那块椎骨是否有问题。五分钟扫描。”

寻找足够好的答案

尽管以 100% 的精度计算纠缠需要全量子态断层扫描，但存在几种可以从部分信息猜测量子态的算法。 杰泽克说，这种方法的问题在于“没有数学证据表明，通过有限数量的测量，你可以在一定精度水平上说出有关纠缠的信息”。

在这项新工作中，耶泽克、普雷多耶维奇和同事采取了不同的策略，完全放弃了量子态重构的概念，转而只针对纠缠程度。 为此，他们设计了深度神经网络来研究纠缠量子态，并根据数值生成的数据对其进行训练。 Ježek 解释道：“我们随机选择量子态，生成状态后，我们就知道网络的输出，因为我们知道系统中的纠缠量。” “但我们也可以模拟从不同方向测量不同数量的副本时获得的数据……这些模拟数据是网络的输入。”

网络使用这些数据来教会自己根据给定的测量集更好地估计纠缠。 然后研究人员使用第二组模拟数据检查了算法的准确性。 他们发现其误差比传统量子断层扫描估计算法低约 10 倍。

实验测试该方法

最后，研究人员通过实验测量了两个真实的纠缠系统：谐振泵浦半导体量子点和自发参量下转换双光子源。 “我们测量了完整的量子态断层扫描……由此我们了解了有关量子态的一切，”耶泽克说，“然后我们省略了其中一些测量。” 随着他们删除越来越多的测量结果，他们将深度神经网络的预测误差与同一传统算法的误差进行了比较。 神经网络的误差显着降低。

物理学家找到了诊断量子态的更明智的方法

瑞安·格拉瑟美国路易斯安那州杜兰大学的量子光学专家曾使用机器学习来估计量子态，他称这项新工作“意义重大”。 “量子技术现在遇到的问题之一是，我们已经到了可以将事物扩展到更大系统的地步，而且……你希望能够完全理解你的系统，”格拉瑟说。 “众所周知，量子系统非常脆弱，难以测量和完全表征……[研究人员]表明，他们可以非常准确地量化系统中的纠缠量，这在我们研究越来越大的量子系统时非常有用，因为没有人想要双量子位量子计算机。”

该小组现在计划将其研究扩展到更大的量子系统。 Jezek 也对反演问题感兴趣：“假设我们需要以 1% 的精度测量量子系统的纠缠，”他说，“我们需要什么最低水平的测量才能达到这样的水平？纠缠估计？”

研究发表在 科学进展.

• SEO 支持的内容和 PR 分发。 今天得到放大。
• PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
• 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
• 柏拉图ESG。 汽车/电动汽车， 碳， 清洁科技, 能源， 环境， 太阳能， 废物管理。 访问这里。
• 块偏移量。 现代化环境抵消所有权。 访问这里。
• Sumber: https://physicsworld.com/a/neural-networks-speed-up-quantum-state-measurements/