När maskininlärning fortsätter att överträffa mänskliga prestationer i ett växande antal uppgifter, forskare vid Skoltech har tillämpat djupinlärning för att rekonstruera kvantegenskaper hos optiska system.

Genom ett samarbete mellan kvantoptikforskningslaboratorierna vid Moscow State University, ledd av Sergey Kulik, och medlemmar av Skoltechs Deep Quantum Laboratory of CPQM, ledd av Jacob Biamonte, forskarna har framgångsrikt tillämpat maskininlärning på statens återuppbyggnadsproblem.

Deras fynd har rapporterats i npj Kvantinformation , och är de första som visar att maskininlärning kan rekonstruera kvanttillstånd från experimentella data i närvaro av brus och detektorfel.

MSU-teamet genererade data med en experimentell plattform baserad på rumsliga tillstånd för fotoner för att förbereda och mäta högdimensionella kvanttillstånd. Experimentella fel i tillståndsberedning och mätningar plågar oundvikligen resultaten och situationen blir värre med ökande dimensionalitet. På samma gång, att utöka dimensionaliteten hos tillgängliga kvanttillstånd är extremt viktigt för kvantkommunikationsprotokoll, och speciellt kvantberäkning. Det är här maskininlärningstekniker är användbara. Skoltech-teamet implementerade ett djupt neuralt nätverk implementerat för att analysera bullriga experimentella data och effektivt lära sig att utföra denoising, avsevärt förbättra kvaliteten på återuppbyggnaden av kvanttillstånd.

Skoltech Ph.D. student Adriano Macarone Palmieri, huvudförfattare till studien, beskrev fynden som "en ny öppen dörr mot djupare insikter." Adriano har en magisterexamen i fysik från Bologna och kom till Skoltech från Italien, där han arbetade som datavetare.

I nära samarbete med MSU:s Ph.D. studerande, Egor Kovlakov, Adriano nådde ut till sin tidigare kollega och en nuvarande postdoktor vid Bocconi University, Federico Bianchi. Federico, en maskininlärningsexpert, som beskriver fynden som "ett bra exempel på datadriven upptäckt som kombinerar maskininlärning och kvantfysik." Medan Federico inte hade erfarenhet av kvantmekanik innan han gick med i denna studie, han såg problemet i termer av information och hjälpte till att skapa en ny modell av systemet baserad på djupa neurala nätverk.

Både Adriano och Federico arbetade i nära samarbete med många medlemmar av Deep Quantum Laboratory, inklusive Dmitry Yudin, som beskriver fynden som ett viktigt första steg mot den praktiska användningen av neurala nätverksarkitektur i ett labb för att förbättra kvanttomografi med tillgängliga kvantuppsättningar av bullriga experimentella data. Sådan kvantinformationsbehandling används överallt i paradigmatiska kvantenheter för kvantberäkning och optimering. I framtiden, forskarna planerar att ta itu med ytterligare utmaningar med uppskalning av kvantinformationsenheter, och förväntar sig att detta arbete ska vara grundläggande i deras fortsatta forskning.

Dessa resultat hade inte varit möjliga utan Egor Kovlakovs experimentella forskning, med stöd av Stanislav Straupe och Sergei Kuliik, från MSU. Under de senaste åren, de har tillämpat ett brett spektrum av tekniker på det statliga återuppbyggnadsproblemet. Till medförfattarnas förvåning, djupinlärning överträffade dessa toppmoderna metoder i ett riktigt experiment.

Skoltechs Deep Quantum Laboratory-team tror att maskininlärningstekniker kommer att spela en viktig roll i den framtida utvecklingen av kvantteknologier. När de tillgängliga kvantenheterna blir mer och mer komplexa, det blir svårare och svårare att kontrollera alla parametrar på önskad precisionsnivå. Detta kom ut som ett mycket naturligt användningsområde för djupinlärning och maskininlärningstekniker i allmänhet.