Molti gruppi di ricerca in tutto il mondo stanno attualmente cercando di sviluppare strumenti per raccogliere misurazioni di alta precisione, come orologi atomici o gravimetri. Alcuni di questi ricercatori hanno cercato di raggiungere questo obiettivo utilizzando stati quantistici entangled, che hanno una maggiore sensibilità alle quantità rispetto agli stati classici o non entangled.

A causa di questa elevata sensibilità, però, Gli stati quantistici di entanglement sono anche più suscettibili a captare il rumore (cioè, segnali non correlati) durante la raccolta delle misurazioni. Ciò può ostacolare lo sviluppo di dispositivi metrologici avanzati quantistici accurati e affidabili.

Per superare questo limite, due ricercatori della Leibniz Universität Hannover in Germania hanno recentemente sviluppato algoritmi di apprendimento automatico quantistico che possono essere utilizzati per eliminare il rumore dai dati quantistici. Questi algoritmi, presentato in un articolo pubblicato in Lettere di revisione fisica , potrebbe aiutare a produrre dati più affidabili utilizzando orologi quantistici o altri strumenti di misurazione basati su stati quantistici entangled.

Dmytro Bondarenko, uno dei ricercatori coinvolti nello studio, aveva già lavorato su un nuovo algoritmo basato sull'apprendimento automatico quantistico sotto la supervisione del professor Tobias Osborne alla Leibniz Universität, Hannover. In questo nuovo studio, Bondarenko e la sua collega Polina Feldmann hanno deciso di studiare la fattibilità dell'utilizzo di questo algoritmo per eliminare il rumore dai dati raccolti da strumenti quantistici.

"Il machine learning quantistico è un argomento molto promettente, in quanto può combinare la versatilità dell'apprendimento automatico con la potenza degli algoritmi quantistici, " Bondarenko e Feldmann hanno detto a Phys.org via e-mail. "L'apprendimento automatico è un metodo onnipresente per l'analisi dei dati".

Proprio come i tradizionali algoritmi di apprendimento automatico, Gli algoritmi di apprendimento automatico quantistico dipendono da una serie di parametri variazionali che devono essere ottimizzati prima che un algoritmo possa essere utilizzato per analizzare i dati. Per conoscere i parametri corretti, l'algoritmo deve prima essere addestrato sui dati relativi all'attività che è progettato per completare (ad es. riconoscimento del modello, classificazione delle immagini, eccetera.).

"Quando diciamo apprendimento automatico quantistico, intendiamo che l'input e l'output dell'algoritmo sono stati quantistici, Per esempio, di un certo numero di qubit (bit quantici), che si può realizzare, ad esempio, utilizzando superconduttori, " Bondarenko e Feldmann hanno detto. "L'algoritmo che mappa lo stato di input allo stato di output è pensato per essere implementato su un computer quantistico. I parametri variazionali, che devono essere ottimizzati, sono parametri classici delle trasformazioni che vengono eseguite sul computer quantistico."

I due ricercatori volevano verificare se l'algoritmo di inclinazione della macchina quantistica precedentemente sviluppato da Bondarenko, Osborne e gli altri loro colleghi potrebbero essere utilizzati per ripulire i dati raccolti utilizzando strumenti di metrologia potenziati dalla quantistica. Questo alla fine ha portato allo sviluppo degli autoencoder quantistici introdotti nel loro recente articolo.

"Supponiamo di avere un esperimento quantistico che fornisce un numero di stati quantistici rumorosi, "Spiegarono Bondarenko e Feldmann. "Supponiamo inoltre di avere un computer quantistico in grado di elaborare questi stati. Il nostro autoencoder è un algoritmo che dice al computer quantistico come trasformare gli stati quantistici rumorosi dell'esperimento per denominarli".

Come primo passo nella loro ricerca, Bondarenko e Feldmann hanno ottimizzato i loro algoritmi, addestrandoli a denoising efficacemente i dati quantistici. Poiché gli stati di riferimento denoised sono difficili da ottenere o non disponibili sperimentalmente, i ricercatori hanno utilizzato un trucco che viene spesso utilizzato durante l'ottimizzazione degli autoencoder classici, che sono un tipo di algoritmi di apprendimento automatico non supervisionati.

"Il trucco è che l'algoritmo è scritto in modo tale da dover ridurre le informazioni lungo il percorso dall'input al suo stato di output, " Dissero Bondarenko e Feldmann. "Ora, la cifra di merito è definita come la somiglianza dello stato elaborato dall'autoencoder e un altro stato rumoroso dal tuo esperimento. Per rendere questi stati il ​​più simili possibile, l'autoencoder deve mantenere l'informazione uguale per entrambi gli stati (la loro comune origine silenziosa), mentre scarta il rumore, quale, in ogni stato proveniente dal tuo esperimento, è diverso."

I ricercatori hanno effettuato numerose simulazioni in cui hanno prodotto stati quantistici entangled rumorosi. Primo, hanno usato queste uscite "sperimentali" per ottimizzare i parametri variazionali dell'autoencoder. Una volta completata questa fase di formazione, sono stati in grado di valutare le prestazioni dei loro codificatori automatici nel denoising delle misurazioni quantistiche.

"La bellezza del nostro approccio è la sua generalità, " Dissero Bondarenko e Feldmann. "Non c'è bisogno di sapere in anticipo come si presenta l'output del tuo esperimento, né devi caratterizzare le tue fonti di rumore. Il denoising funziona anche se il tuo output sperimentale non è unico ma dipende da qualche parametro di controllo sperimentale, che è cruciale per le applicazioni metrologiche."

L'obiettivo degli esperimenti numerici era eliminare il rumore di un numero di stati quantistici altamente entangled soggetti a errori di spin-flip e rumore unitario casuale. I loro algoritmi hanno ottenuto risultati notevoli e potrebbero essere implementati anche sugli attuali dispositivi quantistici.

Gli algoritmi richiedono un computer quantistico in grado di elaborare lo specifico output sperimentale (cioè, dati quantistici). Ad esempio, se un ricercatore sta cercando di utilizzare gli autoencoder per eliminare il rumore dai dati in base agli ioni intrappolati, ma il suo computer quantistico usa qubit superconduttori, dovrà anche utilizzare una tecnica in grado di mappare gli stati da una piattaforma fisica all'altra.

"L'addestramento efficace dei nostri codificatori automatici richiede diverse prove, una notevole quantità di dati sperimentali, e la capacità di misurare la somiglianza tra stati quantistici, " Dissero Bondarenko e Feldmann. "Tuttavia, il nostro algoritmo non è troppo dispendioso per quanto riguarda queste risorse e i nostri esempi sono abbastanza piccoli da adattarsi facilmente, almeno in termini di numero di qubit, in molti computer quantistici esistenti."

Sebbene sia stato scoperto che le tecniche di apprendimento automatico quantistico e i computer quantistici si comportano bene in una varietà di compiti, i ricercatori stanno ancora cercando di identificare le applicazioni pratiche per le quali potrebbero essere più utili. Il recente studio condotto da Bondarenko e Feldmann offre un chiaro esempio di come i metodi di apprendimento automatico quantistico potrebbero essere utilizzati in scenari reali.

"Non era affatto ovvio che il nostro approccio avrebbe funzionato; e fa molto di più che funzionare, almeno nei nostri piccoli esempi, funziona molto bene, " Dissero Bondarenko e Feldmann.

Nel futuro, gli autoencoder quantistici sviluppati da questi due ricercatori potrebbero essere utilizzati per migliorare l'affidabilità delle misurazioni raccolte utilizzando strumenti potenziati dalla quantistica, in particolare quelli che utilizzano stati entangled a molti corpi. Inoltre, potrebbero fungere da interfacce tra diverse architetture quantistiche.

"Dispositivi quantistici diversi hanno meriti diversi, " Bondarenko e Feldmann hanno detto. "Ad esempio, potrebbe essere più facile usare atomi freddi per misurare la gravità, i fotoni sono ottimi per la comunicazione e i qubit superconduttori sono più utili per l'elaborazione delle informazioni quantistiche. Per convertire le informazioni scambiate tra queste diverse piattaforme abbiamo bisogno di interfacce, quale, da soli, introdurre errori. I nostri codificatori automatici possono aiutare a ridurre il rumore di questi dati scambiati."

Bondarenko e Feldmann stanno ora cercando di sviluppare un diverso tipo di algoritmo quantistico:una rete neurale quantistica ricorrente. L'architettura ricorrente di questo nuovo algoritmo dovrebbe consentirgli di memorizzare le informazioni elaborate in passato e avere una "memoria, " che consentirebbe ai ricercatori di correggere le derive.

"Questo può rendere gli esperimenti quantistici più semplici perché le derive verranno filtrate via dalla post-elaborazione, " Bondarenko e Feldmann hanno detto. "Un'altra applicazione delle reti neurali ricorrenti è il denoising nel caso di rumore che cambia lentamente. Per esempio, se si inviano fotoni entangled via aria, il rumore può variare tra una giornata nuvolosa e nevosa e una giornata calda. Però, il tempo non può cambiare istantaneamente, quindi un algoritmo con memoria può superare quello senza."

© 2020 Scienza X Rete