Poiché l'apprendimento automatico continua a superare le prestazioni umane in un numero crescente di attività, gli scienziati di Skoltech hanno applicato il deep learning per ricostruire le proprietà quantistiche dei sistemi ottici.

Attraverso una collaborazione tra i laboratori di ricerca sull'ottica quantistica dell'Università statale di Mosca, guidato da Sergey Kulik, e membri del Deep Quantum Laboratory di CPQM di Skoltech, guidato da Jacob Biamonte, gli scienziati hanno applicato con successo l'apprendimento automatico al problema della ricostruzione dello stato.

I loro risultati sono stati riportati in npj Informazioni quantistiche , e sono i primi a dimostrare che l'apprendimento automatico può ricostruire gli stati quantistici dai dati sperimentali in presenza di rumore e di errori del rivelatore.

Il team MSU ha generato dati con una piattaforma sperimentale basata sugli stati spaziali dei fotoni per preparare e misurare stati quantistici ad alta dimensionalità. Errori sperimentali nella preparazione dello stato e nelle misurazioni inevitabilmente affliggono i risultati e la situazione peggiora con l'aumentare della dimensionalità. Allo stesso tempo, estendere la dimensionalità degli stati quantistici accessibili è estremamente importante per i protocolli di comunicazione quantistica, e soprattutto informatica quantistica. È qui che le tecniche di apprendimento automatico sono utili. Il team di Skoltech ha implementato una rete neurale profonda implementata per analizzare i dati sperimentali rumorosi e imparare in modo efficiente a eseguire il denoising, migliorare significativamente la qualità della ricostruzione dello stato quantistico.

Skoltech Ph.D. studente Adriano Macarone Palmieri, autore principale dello studio, ha descritto i risultati come "una nuova porta aperta verso intuizioni più profonde". Adriano ha un master in fisica a Bologna ed è entrato in Skoltech dall'Italia, dove ha lavorato come data scientist.

Lavorando a stretto contatto con il dottorato di ricerca di MSU. alunno, Egor Kovlakov, Adriano ha contattato il suo ex collega e attuale borsista post-dottorato presso l'Università Bocconi, Federico Bianchi. Federico, un esperto di machine learning, che descrive i risultati come "un valido esempio di scoperta guidata dai dati che combina l'apprendimento automatico e la fisica quantistica". Sebbene Federico non avesse esperienza con la meccanica quantistica prima di partecipare a questo studio, ha visto il problema in termini di informazioni e ha contribuito a creare un nuovo modello del sistema basato su reti neurali feed-forward profonde.

Sia Adriano che Federico hanno lavorato in stretta collaborazione con molti membri del Deep Quantum Laboratory, compreso Dmitry Yudin, che descrive i risultati come un primo importante passo verso l'uso pratico dell'architettura di rete neurale in un laboratorio per migliorare la tomografia quantistica con configurazioni quantistiche disponibili di dati sperimentali rumorosi. Tale elaborazione delle informazioni quantistiche viene utilizzata ubiquitariamente in dispositivi quantistici paradigmatici per il calcolo e l'ottimizzazione quantistici. Nel futuro, i ricercatori intendono affrontare ulteriori sfide dell'upscaling dei dispositivi di informazione quantistica, e si aspettano che questo lavoro sia fondamentale nella loro ulteriore ricerca.

Questi risultati non sarebbero stati possibili senza la ricerca sperimentale di Egor Kovlakov, supportato da Stanislav Straupe e Sergei Kuliik, da MSU. Negli ultimi anni, hanno applicato un'ampia gamma di tecniche al problema della ricostruzione statale. Con sorpresa dei coautori, il deep learning ha superato questi metodi all'avanguardia in un vero esperimento.

Il team del Deep Quantum Laboratory di Skoltech ritiene che le tecniche di apprendimento automatico svolgeranno un ruolo essenziale nello sviluppo futuro delle tecnologie quantistiche. Man mano che i dispositivi quantistici disponibili diventano sempre più complessi, diventa sempre più difficile controllare tutti i parametri al livello di precisione desiderato. Questo si è rivelato un campo di applicazione molto naturale per le tecniche di deep learning e machine learning in generale.