Att förutsäga egenskaperna hos komplexa kvantsystem är ett avgörande steg i utvecklingen av avancerad kvantteknologi. Medan forskarlag över hela världen redan har utarbetat ett antal tekniker för att studera egenskaperna hos kvantsystem, de flesta av dessa har bara visat sig vara effektiva i vissa fall.

Tre forskare vid California Institute of Technology introducerade nyligen en ny metod som kan användas för att förutsäga flera egenskaper hos komplexa kvantsystem från ett begränsat antal mätningar. Deras metod, beskrivs i ett papper publicerat i Naturfysik , har visat sig vara mycket effektiv och skulle kunna öppna nya möjligheter för att studera hur maskiner bearbetar kvantinformation.

"Under min grundutbildning, min forskning fokuserade på statistisk maskininlärning och djupinlärning, "Hsin-Yuan Huang, en av forskarna som genomförde studien, berättade för Phys.org. "En central grund för den nuvarande maskininlärningseran är förmågan att använda mycket parallelliserad hårdvara, såsom grafiska processorenheter (GPU) eller tensorprocessorer (TPU). Det är naturligt att undra hur en ännu mer kraftfull inlärningsmaskin som kan utnyttja kvantmekaniska processer kan växa fram inom en mycket längre framtid. Detta var min ambition när jag började min doktorsexamen. på Caltech. "

Det första steget mot utvecklingen av mer avancerade maskiner baserade på kvantmekaniska processer är att få en bättre förståelse för hur nuvarande teknologier bearbetar och manipulerar kvantsystem och kvantinformation. Standardmetoden för att göra detta, känd som kvanttillståndstomografi, fungerar genom att lära sig hela beskrivningen av ett kvantsystem. Dock, detta kräver ett exponentiellt antal mätningar, samt betydande beräkningsminne och tid.

Som ett resultat, när du använder kvanttillståndstomografi, maskiner kan för närvarande inte stödja kvantsystem med över tiotals kvantbitar. På senare år har forskare har föreslagit ett antal tekniker baserade på artificiella neurala nätverk som avsevärt skulle kunna förbättra kvantinformationsbehandlingen av maskiner. Tyvärr, dock, dessa tekniker generaliserar inte bra i alla fall, och de specifika kraven som tillåter dem att arbeta är fortfarande oklara.

"Att bygga en rigorös grund för hur maskiner kan uppfatta kvantsystem, vi kombinerade mina tidigare kunskaper om statistisk inlärningsteori med Richard Kueng och John Preskills expertis på en vacker matematisk teori känd som enhetlig t-design, " sade Huang. "Statistisk inlärningsteori är teorin som ligger till grund för hur maskinen skulle kunna lära sig en ungefärlig modell om hur världen beter sig, medan enhetlig t-design är en matematisk teori som ligger till grund för hur kvantinformation förvrängs, vilket är centralt för att förstå kvantmångkroppskaos, särskilt, kvanta svarta hål. "

Genom att kombinera statistiskt lärande och enhetlig t-designteori, forskarna kunde utarbeta ett rigoröst och effektivt förfarande som gör det möjligt för klassiska maskiner att producera ungefärliga klassiska beskrivningar av kvantkroppssystem. Dessa beskrivningar kan användas för att förutsäga flera egenskaper hos de kvantsystem som studeras genom att utföra ett minimalt antal kvantmätningar.

"För att konstruera en ungefärlig klassisk beskrivning av kvanttillståndet, vi utför en randomiserad mätprocedur enligt följande, " sade Huang. "Vi provar några slumpmässiga kvantutvecklingar som skulle tillämpas på det okända kvantsystemet för många kroppar. Dessa slumpmässiga kvantutvecklingar är vanligtvis kaotiska och skulle kryptera kvantinformationen som lagras i kvantsystemet. "

De slumpmässiga kvantutvecklingarna som forskarna provade möjliggör i slutändan användningen av den matematiska teorin om enhetlig t-design för att studera sådana kaotiska kvantsystem som kvantsvarta hål. Dessutom, Huang och hans kollegor undersökte ett antal slumpmässigt förvrängda kvantsystem med hjälp av ett mätverktyg som framkallar en vågfunktionskollaps, en process som gör ett kvantsystem till ett klassiskt system. Till sist, de kombinerade de slumpmässiga kvantevolutionerna med de klassiska systemrepresentationerna härledda från deras mätningar, producera en ungefärlig klassisk beskrivning av kvantsystemet av intresse.

"Intuitivt, man kan tänka sig detta förfarande enligt följande, Huang förklarade. "Vi har ett exponentiellt högdimensionellt objekt, kvantmångkroppssystemet, det är mycket svårt att förstå av en klassisk maskin. Vi utför flera slumpmässiga projektioner av detta extremt högdimensionella objekt till ett mycket lägre dimensionellt utrymme genom att använda slumpmässig/kaotisk kvantevolution. Uppsättningen slumpmässiga projektioner ger en grov bild av hur detta exponentiellt högdimensionella objekt ser ut, och den klassiska representationen tillåter oss att förutsäga olika egenskaper hos kvantmångkroppssystemet."

Huang och hans kollegor bevisade att genom att kombinera statistiska inlärningskonstruktioner och teorin om kvantinformationsförvrängning, de kunde exakt förutsäga M egenskaper hos ett kvantsystem baserat enbart på log(M) mätningar. Med andra ord, deras metod kan förutsäga ett exponentiellt antal egenskaper helt enkelt genom att upprepade gånger mäta specifika aspekter av ett kvantsystem ett visst antal gånger.

"Den traditionella uppfattningen är att när vi vill mäta M-egenskaper, vi måste mäta kvantsystemet M gånger, " sa Huang. "Detta beror på att efter att vi mätt en egenskap hos kvantsystemet, kvantsystemet skulle kollapsa och bli klassiskt. Efter att kvantsystemet har blivit klassiskt, vi kan inte mäta andra egenskaper med det resulterande klassiska systemet. Vårt tillvägagångssätt undviker detta genom att utföra slumpmässigt genererade mätningar och härleda den önskade egenskapen genom att kombinera dessa mätdata."

Studien förklarar delvis de utmärkta prestanda som uppnås genom nyutvecklade maskininlärningstekniker (ML) för att förutsäga egenskaper hos kvantsystem. Dessutom, dess unika design gör metoden de utvecklade betydligt snabbare än befintliga ML-tekniker, samtidigt som det låter det förutsäga egenskaperna hos kvantsystem med många kroppar med större noggrannhet.

"Vår studie visar noggrant att det finns mycket mer information dold i data som erhållits från kvantmätningar än vi ursprungligen förväntade oss, ", sa Huang. "Genom att på lämpligt sätt kombinera dessa data, vi kan sluta oss till denna dolda information och få betydligt mer kunskap om kvantsystemet. Detta innebär vikten av datavetenskapliga tekniker för utvecklingen av kvantteknologi."

Resultaten av tester som teamet genomförde tyder på att för att utnyttja kraften i maskininlärning, det är först nödvändigt att uppnå en god förståelse för kvantfysiks inneboende mekanismer. Huang och hans kollegor visade att även om direkt tillämpning av standardinlärningstekniker kan leda till tillfredsställande resultat, Att organiskt kombinera matematiken bakom maskininlärning och kvantfysik resulterar i mycket bättre prestanda för bearbetning av kvantinformation.

"Med tanke på en rigorös grund för att uppfatta kvantsystem med klassiska maskiner, min personliga plan är att nu ta nästa steg mot att skapa en inlärningsmaskin som kan manipulera och utnyttja kvantmekaniska processer, " sa Huang. "I synnerhet, vi vill ge en gedigen förståelse för hur maskiner kan lära sig att lösa kvantkroppsproblem, som att klassificera kvantfaser av materia eller hitta kvantmångkroppsgrundtillstånd."

Denna nya metod för att konstruera klassiska representationer av kvantsystem kan öppna upp nya möjligheter för användning av maskininlärning för att lösa utmanande problem som involverar kvantsystem för många kroppar. För att hantera dessa problem mer effektivt, dock, maskiner skulle också behöva kunna simulera ett antal komplexa beräkningar, vilket skulle kräva en ytterligare syntes mellan den matematik som ligger till grund för maskininlärning och kvantfysik. I sina nästa studier, Huang och hans kollegor planerar att utforska nya tekniker som kan möjliggöra denna syntes.

"På samma gång, vi arbetar också med att förfina och utveckla nya verktyg för att härleda dold information från data som samlats in av kvantexperimentalister, " Huang sa. "Den fysiska begränsningen i de faktiska systemen ger intressanta utmaningar för att utveckla mer avancerade tekniker. Detta skulle ytterligare tillåta experimentalister att se vad de från början inte kunde och hjälpa till att främja det nuvarande tillståndet inom kvantteknologi."

© 2020 Science X Network