Många forskargrupper världen över försöker för närvarande utveckla instrument för att samla in högprecisionsmätningar, såsom atomur eller gravimetrar. Några av dessa forskare har försökt uppnå detta genom att använda intrasslade kvanttillstånd, som har en högre känslighet för kvantiteter än klassiska eller icke intrasslade tillstånd.

På grund av denna höga känslighet, dock, kvanttrasslade tillstånd är också mer mottagliga för att ta upp brus (dvs. orelaterade signaler) medan mätningar samlas in. Detta kan hindra utvecklingen av exakta och tillförlitliga kvantförstärkta mättekniska enheter.

För att övervinna denna begränsning, två forskare vid Leibniz Universität Hannover i Tyskland har nyligen utvecklat kvantmaskininlärningsalgoritmer som kan användas för att försvaga kvantdata. Dessa algoritmer, presenteras i en tidning publicerad i Fysiska granskningsbrev , skulle kunna bidra till att producera mer tillförlitliga data med hjälp av kvantklockor eller andra mätverktyg baserade på intrasslade kvanttillstånd.

Dmytro Bondarenko, en av forskarna inblandade i studien, hade redan arbetat på en ny algoritm baserad på kvantmaskininlärning under ledning av professor Tobias Osborne vid Leibniz Universität, Hannover. I denna nya studie, Bondarenko och hans kollega Polina Feldmann gav sig i kast med att undersöka möjligheten att använda denna algoritm för att försvaga data som samlats in av kvantförbättrade instrument.

"Kvantmaskininlärning är ett mycket lovande ämne, eftersom det kan kombinera mångsidigheten i maskininlärning med kraften i kvantalgoritmer, Bondarenko och Feldmann berättade för Phys.org via e-post. "Machine learning är en allestädes närvarande metod för dataanalys."

Precis som traditionella maskininlärningsalgoritmer, kvantmaskininlärningsalgoritmer är beroende av en serie variationsparametrar som måste optimeras innan en algoritm kan användas för att analysera data. För att lära dig de korrekta parametrarna, Algoritmen måste först tränas på data relaterade till uppgiften den är designad för att slutföra (t.ex. mönsterigenkänning, bildklassificering, etc.).

"När vi säger kvantmaskininlärning, vi menar att ingången och utsignalen från algoritmen är kvanttillstånd, till exempel, av ett visst antal qubits (kvantbitar), som kan förverkligas, till exempel, använder supraledare, Bondarenko och Feldmann sa. "Algorithmen som mappar ingångstillståndet till outputtillståndet är tänkt att implementeras på en kvantdator. Variationsparametrarna, som måste optimeras, är klassiska parametrar för de transformationer som utförs på kvantdatorn."

De två forskarna ville testa om kvantmaskinens lutningsalgoritm som tidigare utvecklats av Bondarenko, Osborne och deras andra kollegor skulle kunna användas för att rensa in data som samlats in med hjälp av kvantförbättrade mätverktyg. Detta ledde slutligen till utvecklingen av de kvantautokodare som introducerades i deras senaste tidning.

"Anta att du har ett kvantexperiment som ger dig ett antal brusiga kvanttillstånd, Bondarenko och Feldmann förklarade. "Anta vidare att du har en kvantdator som kan bearbeta dessa tillstånd. Vår autokodare är en algoritm som talar om för kvantdatorn hur den ska omvandla de brusiga kvanttillstånden från experimentet för att försvaga dem."

Som ett första steg i sin forskning, Bondarenko och Feldmann optimerade sina algoritmer, utbilda dem att effektivt försvaga kvantdata. Eftersom det är svåra att erhålla eller otillgängliga referenstillstånd är otillgängliga experimentellt, forskarna använde ett trick som ofta används vid optimering av klassiska autoencoders, som är en typ av oövervakade maskininlärningsalgoritmer.

"Knepet är att algoritmen är skriven på ett sådant sätt att den måste reducera informationen på vägen från ingången till dess utgångstillstånd, " sa Bondarenko och Feldmann. "Nu, meritvärdet definieras som likheten mellan tillståndet som behandlas av autokodaren och ett annat brusigt tillstånd från ditt experiment. För att göra dessa tillstånd så lika som möjligt, autokodaren måste hålla informationen som är lika för båda tillstånden (deras gemensamma brusfria ursprung), samtidigt som du kasserar ljudet, som, i varje tillstånd som kommer från ditt experiment, är annorlunda."

Forskarna har genomfört många simuleringar där de producerade bullriga intrasslade kvanttillstånd. Först, de använde dessa "experimentella" utgångar för att optimera variationsparametrarna för autokodaren. När denna utbildningsfas väl var klar, de kunde utvärdera sina autokodares prestanda vid denoising av kvantmätningar.

"Det fina med vårt tillvägagångssätt är dess generella karaktär, " sa Bondarenko och Feldmann. "Du behöver inte veta i förväg hur resultatet från ditt experiment ser ut, inte heller behöver du karakterisera dina bruskällor. Denoising fungerar även om din experimentella utdata inte är unik utan beror på någon experimentell kontrollparameter, vilket är avgörande för metrologiska tillämpningar."

Målet med de numeriska experimenten var att försvaga ett antal mycket intrasslade kvanttillstånd som är föremål för spin-flip-fel och slumpmässigt enhetligt brus. Deras algoritmer uppnådde anmärkningsvärda resultat och kunde även implementeras på nuvarande kvantenheter.

Algoritmerna kräver en kvantdator som kan bearbeta den specifika experimentella utdata (dvs. kvantdata). Till exempel, om en forskare försöker använda autokodarna för att försvaga data baserat på fångade joner, men hennes kvantdator använder supraledande kvantbitar, hon kommer också att behöva använda en teknik som kan kartlägga tillstånd från en fysisk plattform till en annan.

"Att effektivt träna våra autokodare kräver flera försök, en betydande mängd experimentella data, och förmågan att mäta likheten mellan kvanttillstånd, " sa Bondarenko och Feldmann. "Ändå, vår algoritm är inte alltför slösaktig med dessa resurser och våra exempel är tillräckligt små för att enkelt passa, åtminstone när det gäller antalet qubits, i många befintliga kvantdatorer."

Även om kvantmaskininlärningstekniker och kvantdatorer har visat sig fungera bra i en mängd olika uppgifter, forskare försöker fortfarande identifiera de praktiska tillämpningarna för vilka de kan vara till störst nytta. Den nyligen genomförda studien utförd av Bondarenko och Feldmann ger ett tydligt exempel på hur kvantmaskininlärningsmetoder i slutändan skulle kunna användas i verkliga scenarier.

"Det var inte alls självklart att vårt tillvägagångssätt skulle fungera, och det gör mer än bara att fungera, åtminstone i våra små exempel, det fungerar väldigt bra, " sa Bondarenko och Feldmann.

I framtiden, kvantautokodarna som utvecklats av dessa två forskare kan användas för att förbättra tillförlitligheten hos mätningar som samlas in med hjälp av kvantförbättrade verktyg, särskilt de som använder tillstånd som är intrasslade med många kroppar. Dessutom, de skulle kunna fungera som gränssnitt mellan olika kvantarkitekturer.

"Olika kvantenheter har olika fördelar, Bondarenko och Feldmann sa. "T.ex. det kan vara lättare att använda kalla atomer för att mäta gravitationen, fotoner är bra för kommunikation och supraledande qubits är mer användbara för kvantinformationsbehandling. För att konvertera information som utbyts mellan dessa olika plattformar behöver vi gränssnitt, som, av sig själva, införa fel. Våra autokodare kan hjälpa till att förnedra denna utbytta data."

Bondarenko och Feldmann försöker nu utveckla en annan typ av kvantalgoritm:ett återkommande kvantneuralt nätverk. Den här nya algoritmens återkommande arkitektur bör göra det möjligt för den att lagra information som den bearbetade tidigare och ha ett "minne, " vilket skulle göra det möjligt för forskarna att korrigera för drifter.

"Detta kan göra kvantexperimenten enklare eftersom drifter kommer att filtreras bort genom efterbearbetning, " Bondarenko och Feldmann sa. "En annan tillämpning av återkommande neurala nätverk är denoising i fallet med långsamt föränderligt brus. Till exempel, om man skickar intrasslade fotoner via luft, buller kan skilja sig mellan en snöig molnig dag och en varm dag. Dock, vädret kan inte ändras omedelbart, så en algoritm med minne kan överträffa en utan."

© 2020 Science X Network