Wetenschappers van de Quantum Engineering Technology Labs (QETLabs) van de University of Bristol hebben een algoritme ontwikkeld dat waardevolle inzichten biedt in de fysica die ten grondslag ligt aan kwantumsystemen, wat de weg vrijmaakt voor aanzienlijke vooruitgang in kwantumberekening en -detectie, en mogelijk een nieuwe pagina in wetenschappelijk onderzoek omslaan.

in de natuurkunde, systemen van deeltjes en hun evolutie worden beschreven door wiskundige modellen, vereist het succesvolle samenspel van theoretische argumenten en experimentele verificatie. Nog complexer is de beschrijving van systemen van deeltjes die op kwantummechanisch niveau met elkaar interageren, wat vaak wordt gedaan met behulp van een Hamiltoniaans model. Het proces van het formuleren van Hamiltoniaanse modellen op basis van waarnemingen wordt nog moeilijker gemaakt door de aard van kwantumtoestanden, die instorten wanneer pogingen worden ondernomen om ze te inspecteren.

In de krant, Modellen van kwantumsystemen leren uit experimenten, gepubliceerd in Natuurfysica , kwantummechanica van Bristol's QET Labs beschrijft een algoritme dat deze uitdagingen overwint door op te treden als een autonoom middel, machine learning gebruiken om Hamiltoniaanse modellen te reverse-engineeren.

Het team ontwikkelde een nieuw protocol voor het formuleren en valideren van benaderende modellen voor interessante kwantumsystemen. Hun algoritme werkt autonoom, het ontwerpen en uitvoeren van experimenten op het beoogde kwantumsysteem, waarbij de resulterende gegevens worden teruggevoerd in het algoritme. Het stelt kandidaat-Hamiltoniaanse modellen voor om het doelsysteem te beschrijven, en maakt onderscheid tussen hen met behulp van statistische statistieken, namelijk Bayes-factoren.

Opwindend, het team was in staat om het vermogen van het algoritme met succes aan te tonen op een realistisch kwantumexperiment met defectcentra in een diamant, een goed bestudeerd platform voor kwantuminformatieverwerking en kwantumdetectie.

Het algoritme kan worden gebruikt om geautomatiseerde karakterisering van nieuwe apparaten te ondersteunen, zoals kwantumsensoren. Deze ontwikkeling betekent dan ook een belangrijke doorbraak in de ontwikkeling van kwantumtechnologieën.

"Door de kracht van de hedendaagse supercomputers te combineren met machine learning, we konden automatisch structuur ontdekken in kwantumsystemen. Naarmate er nieuwe kwantumcomputers/simulatoren beschikbaar komen, het algoritme wordt spannender:ten eerste kan het helpen om de prestaties van het apparaat zelf te verifiëren, exploiteer vervolgens die apparaten om steeds grotere systemen te begrijpen, " zei Brian Flynn van het QETLabs en Quantum Engineering Center for Doctoral Training van de Universiteit van Bristol.

"Dit niveau van automatisering maakt het mogelijk om talloze hypothetische modellen te vermaken voordat een optimale wordt geselecteerd, een taak die anders ontmoedigend zou zijn voor systemen waarvan de complexiteit steeds groter wordt, " zei Andreas Gentile, voorheen van Bristol's QETLabs, nu bij Qu &Co.

"Inzicht in de onderliggende fysica en de modellen die kwantumsystemen beschrijven, ons helpen onze kennis te vergroten van technologieën die geschikt zijn voor kwantumberekening en kwantumdetectie, " zei Sebastian Knauer, ook voorheen van Bristol's QETLabs en nu gevestigd aan de Faculteit der Natuurkunde van de Universiteit van Wenen.

Anthony Laing, co-directeur van QETLabs en universitair hoofddocent in Bristol's School of Physics, en een auteur op het papier, prees het team:"In het verleden vertrouwden we op het genie en het harde werk van wetenschappers om nieuwe natuurkunde te ontdekken. Hier heeft het team mogelijk een nieuwe pagina in wetenschappelijk onderzoek omgeslagen door machines te voorzien van de mogelijkheid om van experimenten te leren en nieuwe natuurkunde te ontdekken De gevolgen kunnen inderdaad verstrekkend zijn."

De volgende stap voor het onderzoek is om het algoritme uit te breiden om grotere systemen te verkennen, en verschillende klassen van kwantummodellen die verschillende fysieke regimes of onderliggende structuren vertegenwoordigen.