Het voorspellen van de eigenschappen van complexe kwantumsystemen is een cruciale stap in de ontwikkeling van geavanceerde kwantumtechnologieën. Terwijl onderzoeksteams over de hele wereld al een aantal technieken hebben bedacht om de kenmerken van kwantumsystemen te bestuderen, de meeste hiervan zijn slechts in enkele gevallen effectief gebleken.

Drie onderzoekers van het California Institute of Technology hebben onlangs een nieuwe methode geïntroduceerd waarmee uit een beperkt aantal metingen meerdere eigenschappen van complexe kwantumsystemen kunnen worden voorspeld. hun methode, geschetst in een paper gepubliceerd in Natuurfysica , is zeer efficiënt gebleken en zou nieuwe mogelijkheden kunnen bieden voor het bestuderen van de manieren waarop machines kwantuminformatie verwerken.

"Tijdens mijn bachelor mijn onderzoek was gericht op statistische machine learning en deep learning, "Hsin-Yuan Huang, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde Phys.org. "Een centrale basis voor het huidige tijdperk van machine learning is de mogelijkheid om sterk geparallelliseerde hardware te gebruiken, zoals grafische verwerkingseenheden (GPU) of tensorverwerkingseenheden (TPU). Het is natuurlijk om je af te vragen hoe er in de verre toekomst een nog krachtigere leermachine zou kunnen ontstaan ​​die in staat is om kwantummechanische processen te benutten. Dit was mijn ambitie toen ik begon met mijn Ph.D. bij Caltech."

De eerste stap in de richting van de ontwikkeling van meer geavanceerde machines op basis van kwantummechanische processen is het verkrijgen van een beter begrip van hoe de huidige technologieën kwantumsystemen en kwantuminformatie verwerken en manipuleren. De standaardmethode om dit te doen, bekend als kwantumtoestandtomografie, werkt door de volledige beschrijving van een kwantumsysteem te leren. Echter, dit vereist een exponentieel aantal metingen, evenals aanzienlijk rekengeheugen en tijd.

Als resultaat, bij het gebruik van kwantumtoestandtomografie, machines zijn momenteel niet in staat om kwantumsystemen met meer dan tientallen qubits te ondersteunen. In recente jaren, onderzoekers hebben een aantal technieken voorgesteld op basis van kunstmatige neurale netwerken die de kwantuminformatieverwerking van machines aanzienlijk zouden kunnen verbeteren. Helaas, echter, deze technieken generaliseren niet goed in alle gevallen, en de specifieke vereisten die hen in staat stellen om te werken zijn nog onduidelijk.

"Om een ​​rigoureuze basis te leggen voor hoe machines kwantumsystemen kunnen waarnemen, we hebben mijn eerdere kennis over statistische leertheorie gecombineerd met de expertise van Richard Kueng en John Preskill over een prachtige wiskundige theorie die bekend staat als unitair t-design, Huang zei. "Statistische leertheorie is de theorie die ten grondslag ligt aan hoe de machine een benaderend model zou kunnen leren over hoe de wereld zich gedraagt, terwijl unitair t-design een wiskundige theorie is die ten grondslag ligt aan hoe kwantuminformatie vervormt, die centraal staat om kwantum veellichamenchaos te begrijpen, vooral, kwantum zwarte gaten."

Door statistisch leren en unitaire t-designtheorie te combineren, de onderzoekers waren in staat om een ​​rigoureuze en efficiënte procedure te bedenken waarmee klassieke machines bij benadering klassieke beschrijvingen van kwantum veel-lichaamssystemen kunnen produceren. Deze beschrijvingen kunnen worden gebruikt om verschillende eigenschappen van de kwantumsystemen die worden bestudeerd te voorspellen door een minimaal aantal kwantummetingen uit te voeren.

"Om een ​​geschatte klassieke beschrijving van de kwantumtoestand te construeren, we voeren een gerandomiseerde meetprocedure uit die als volgt wordt gegeven, Huang zei. "We bemonsteren een paar willekeurige kwantumevoluties die zouden worden toegepast op het onbekende kwantumveellichamensysteem. Deze willekeurige kwantumevoluties zijn typisch chaotisch en zouden de kwantuminformatie die in het kwantumsysteem is opgeslagen door elkaar gooien."

De willekeurige kwantumevoluties die door de onderzoekers zijn bemonsterd, maken uiteindelijk het gebruik van de wiskundige theorie van unitair t-design mogelijk om dergelijke chaotische kwantumsystemen als kwantumzwarte gaten te bestuderen. In aanvulling, Huang en zijn collega's onderzochten een aantal willekeurig vervormde kwantumsystemen met behulp van een meetinstrument dat een ineenstorting van de golffunctie veroorzaakt, een proces dat van een kwantumsysteem een ​​klassiek systeem maakt. Eindelijk, ze combineerden de willekeurige kwantumevoluties met de klassieke systeemrepresentaties afgeleid van hun metingen, het produceren van een benaderende klassieke beschrijving van het kwantumsysteem van belang.

"Intuïtief, men zou deze procedure als volgt kunnen beschouwen, Huang legde uit. "We hebben een exponentieel hoogdimensionaal object, het kwantum veellichamensysteem, dat is heel moeilijk te begrijpen door een klassieke machine. We voeren verschillende willekeurige projecties uit van dit object met een extreem hoge dimensie naar een veel lagere dimensionale ruimte door het gebruik van willekeurige/chaotische kwantumevolutie. De reeks willekeurige projecties geeft een ruw beeld van hoe dit exponentieel hoogdimensionale object eruitziet, en de klassieke weergave stelt ons in staat om verschillende eigenschappen van het kwantum veellichamensysteem te voorspellen."

Huang en zijn collega's bewezen dat door statistische leerconstructies en de theorie van kwantuminformatie door elkaar te gooien, ze konden nauwkeurig M-eigenschappen van een kwantumsysteem voorspellen, uitsluitend gebaseerd op log (M) -metingen. Met andere woorden, hun methode kan een exponentieel aantal eigenschappen voorspellen door simpelweg herhaaldelijk specifieke aspecten van een kwantumsysteem een ​​bepaald aantal keren te meten.

"Het traditionele begrip is dat wanneer we M-eigenschappen willen meten, we moeten het kwantumsysteem M keer meten, Huang zei. "Dit komt omdat nadat we één eigenschap van het kwantumsysteem hebben gemeten, het kwantumsysteem zou instorten en klassiek worden. Nadat het kwantumsysteem klassiek is geworden, we kunnen geen andere eigenschappen meten met het resulterende klassieke systeem. Onze aanpak voorkomt dit door willekeurig gegenereerde metingen uit te voeren en de gewenste eigenschap af te leiden door deze meetgegevens te combineren."

De studie verklaart deels de uitstekende prestaties van recent ontwikkelde machine learning (ML)-technieken bij het voorspellen van eigenschappen van kwantumsystemen. In aanvulling, het unieke ontwerp maakt de door hen ontwikkelde methode aanzienlijk sneller dan bestaande ML-technieken, terwijl het ook in staat is om eigenschappen van quantum veel-lichaamssystemen met een grotere nauwkeurigheid te voorspellen.

"Onze studie toont rigoureus aan dat er veel meer informatie verborgen is in de gegevens die zijn verkregen uit kwantummetingen dan we oorspronkelijk hadden verwacht, " zei Huang. "Door deze gegevens op de juiste manier te combineren, we kunnen deze verborgen informatie afleiden en aanzienlijk meer kennis verwerven over het kwantumsysteem. Dit impliceert het belang van data science-technieken voor de ontwikkeling van kwantumtechnologie."

De resultaten van tests die het team heeft uitgevoerd, suggereren dat om de kracht van machine learning te benutten, het is eerst nodig om een ​​goed begrip te krijgen van intrinsieke kwantumfysica-mechanismen. Huang en zijn collega's toonden aan dat, hoewel het direct toepassen van standaard machine learning-technieken tot bevredigende resultaten kan leiden, het organisch combineren van de wiskunde achter machine learning en kwantumfysica resulteert in veel betere verwerkingsprestaties van kwantuminformatie.

"Gezien een rigoureuze basis voor het waarnemen van kwantumsystemen met klassieke machines, mijn persoonlijke plan is om nu de volgende stap te zetten in de richting van het creëren van een leermachine die in staat is om kwantummechanische processen te manipuleren en te benutten, " zei Huang. "In het bijzonder, we willen een goed begrip bieden van hoe machines kunnen leren om kwantum veel-lichamen problemen op te lossen, zoals het classificeren van kwantumfasen van materie of het vinden van kwantumgrondtoestanden met veel lichamen."

Deze nieuwe methode voor het construeren van klassieke representaties van kwantumsystemen zou nieuwe mogelijkheden kunnen bieden voor het gebruik van machine learning om uitdagende problemen met kwantum veellichamensystemen op te lossen. Om deze problemen efficiënter aan te pakken, echter, machines zouden ook een aantal complexe berekeningen moeten kunnen simuleren, wat een verdere synthese zou vereisen tussen de wiskunde die ten grondslag ligt aan machine learning en de kwantumfysica. In hun volgende studies, Huang en zijn collega's zijn van plan nieuwe technieken te onderzoeken die deze synthese mogelijk kunnen maken.

"Tegelijkertijd, we werken ook aan het verfijnen en ontwikkelen van nieuwe tools voor het afleiden van verborgen informatie uit de gegevens die zijn verzameld door kwantum-experimentalisten, " Huang zei. "De fysieke beperking in de feitelijke systemen biedt interessante uitdagingen voor het ontwikkelen van meer geavanceerde technieken. Dit zou experimentatoren verder in staat stellen te zien wat ze oorspronkelijk niet konden en de huidige staat van kwantumtechnologie helpen bevorderen."

© 2020 Wetenschap X Netwerk