Aangezien machine learning de menselijke prestaties blijft overtreffen in een groeiend aantal taken, wetenschappers van Skoltech hebben deep learning toegepast om kwantumeigenschappen van optische systemen te reconstrueren.

Door een samenwerking tussen de onderzoekslaboratoria voor kwantumoptica van de Staatsuniversiteit van Moskou, onder leiding van Sergey Kulik, en leden van Skoltech's Deep Quantum Laboratory van CPQM, onder leiding van Jacob Biamonte, de wetenschappers hebben machine learning met succes toegepast op het probleem van de wederopbouw van de staat.

Hun bevindingen zijn gerapporteerd in npj Quantum-informatie , en zijn de eersten die aantonen dat machine learning kwantumtoestanden kan reconstrueren uit experimentele gegevens in de aanwezigheid van ruis en detectorfouten.

Het MSU-team genereerde gegevens met een experimenteel platform op basis van ruimtelijke toestanden van fotonen om hoogdimensionale kwantumtoestanden voor te bereiden en te meten. Experimentele fouten in de voorbereiding en metingen van de toestand plagen onvermijdelijk de resultaten en de situatie wordt erger met toenemende dimensionaliteit. Tegelijkertijd, uitbreiding van de dimensionaliteit van toegankelijke kwantumtoestanden is uiterst belangrijk voor kwantumcommunicatieprotocollen, en vooral kwantumcomputers. Dit is waar machine learning-technieken nuttig zijn. Het Skoltech-team implementeerde een diep neuraal netwerk dat is geïmplementeerd om de luidruchtige experimentele gegevens te analyseren en efficiënt te leren ruisonderdrukking uit te voeren, de kwaliteit van de reconstructie van kwantumtoestanden aanzienlijk verbeteren.

Skoltech Ph.D. student Adriano Macarone Palmieri, hoofdauteur van de studie, beschreef de bevindingen als "een nieuwe open deur naar diepere inzichten." Adriano heeft een master in natuurkunde van Bologna en kwam bij Skoltech uit Italië, waar hij werkte als datawetenschapper.

Nauw samenwerken met MSU's Ph.D. student, Egor Kovlakov, Adriano nam contact op met zijn voormalige collega en een huidige postdoctoraal onderzoeker aan de Bocconi University, Federico Bianchi. Federico, een machine learning-expert, die de bevindingen beschrijft als "een goed voorbeeld van datagestuurde ontdekking die machine learning en kwantumfysica combineert." Hoewel Federico geen ervaring had met kwantummechanica voordat hij aan dit onderzoek meedeed, hij bekeek het probleem in termen van informatie en hielp bij het creëren van een nieuw model van het systeem op basis van diepe feed-forward neurale netwerken.

Zowel Adriano als Federico werkten nauw samen met veel leden van het Deep Quantum Laboratory, inclusief Dmitry Yudin, die de bevindingen beschrijft als een belangrijke eerste stap naar het praktische gebruik van neurale netwerkarchitectuur in een laboratorium voor het verbeteren van kwantumtomografie met beschikbare kwantumopstellingen van luidruchtige experimentele gegevens. Dergelijke kwantuminformatieverwerking wordt alom gebruikt in paradigmatische kwantumapparaten voor kwantumberekening en -optimalisatie. In de toekomst, de onderzoekers zijn van plan om verdere uitdagingen aan te gaan bij het opschalen van kwantuminformatie-apparaten, en verwachten dat dit werk fundamenteel zal zijn in hun verder onderzoek.

Deze resultaten zouden niet mogelijk zijn geweest zonder het experimentele onderzoek van Egor Kovlakov, ondersteund door Stanislav Straupe en Sergei Kuliik, van MSU. In de afgelopen jaren, ze hebben een breed scala aan technieken toegepast op het probleem van de wederopbouw van de staat. Tot verbazing van de co-auteurs deep learning presteerde beter dan deze geavanceerde methoden in een echt experiment.

Het Deep Quantum Laboratory-team van Skoltech is van mening dat technieken voor machinaal leren een essentiële rol zullen spelen in de toekomstige ontwikkeling van kwantumtechnologieën. Naarmate de beschikbare kwantumapparaten steeds complexer worden, het wordt steeds moeilijker om alle parameters op het gewenste precisieniveau te regelen. Dit bleek een heel natuurlijk toepassingsgebied voor deep learning en machine learning-technieken in het algemeen.