Forskare från University of Bristols Quantum Engineering Technology Labs (QETLabs) har utvecklat en algoritm som ger värdefull inblick i fysiken som ligger till grund för kvantsystem - som banar väg för betydande framsteg inom kvantberäkning och avkänning, och eventuellt vända en ny sida i vetenskaplig undersökning.

Inom fysiken, partikelsystem och deras utveckling beskrivs av matematiska modeller, kräver framgångsrikt samspel mellan teoretiska argument och experimentell verifiering. Ännu mer komplex är beskrivningen av partikelsystem som interagerar med varandra på kvantmekanisk nivå, vilket ofta görs med en Hamilton -modell. Processen med att formulera Hamiltoniska modeller från observationer görs ännu svårare av kvanttillståndens natur, som kollapsar när försök görs att inspektera dem.

I tidningen, Inlärningsmodeller av kvantsystem från experiment, publicerad i Naturfysik , kvantmekanik från Bristols QET Labs beskriver en algoritm som övervinner dessa utmaningar genom att fungera som ett autonomt medel, använder maskininlärning för att bakåtkonstruera Hamiltonian -modeller.

Teamet utvecklade ett nytt protokoll för att formulera och validera ungefärliga modeller för kvantsystem av intresse. Deras algoritm fungerar autonomt, utforma och utföra experiment på det riktade kvantsystemet, med den resulterande data som matas tillbaka till algoritmen. Den föreslår kandidat Hamilton -modeller för att beskriva målsystemet, och skiljer dem med statistiska mätvärden, nämligen Bayes -faktorer.

Spännande, laget kunde framgångsrikt demonstrera algoritmens förmåga på ett verkligt kvantexperiment som involverar defektcentra i en diamant, en välstuderad plattform för kvantinformationsbehandling och kvantavkänning.

Algoritmen kan användas för att underlätta automatiserad karakterisering av nya enheter, såsom kvantgivare. Denna utveckling representerar därför ett betydande genombrott i utvecklingen av kvantteknik.

"Kombinerar dagens superdatorer med maskininlärning, vi kunde automatiskt upptäcka struktur i kvantsystem. När nya kvantdatorer/simulatorer blir tillgängliga, algoritmen blir mer spännande:först kan den hjälpa till att verifiera själva enhetens prestanda, utnyttja sedan dessa enheter för att förstå allt större system, "säger Brian Flynn från University of Bristols QETLabs och Quantum Engineering Center for Doctoral Training.

"Denna nivå av automatisering gör det möjligt att underhålla otaliga hypotetiska modeller innan du väljer en optimal, en uppgift som annars skulle vara skrämmande för system vars komplexitet ständigt ökar, "sade Andreas Gentile, tidigare från Bristols QETLabs, nu på Qu &Co.

"Förstå den bakomliggande fysiken och modellerna som beskriver kvantsystem, hjälpa oss att öka vår kunskap om teknik som är lämplig för kvantberäkning och kvantavkänning, sa Sebastian Knauer, även tidigare från Bristols QETLabs och nu baserat vid universitetet i Wiens fysiska fakultet.

Anthony Laing, meddirektör för QETLabs och docent i Bristols fysikskola, och en författare på tidningen, berömde laget:"Tidigare har vi förlitat oss på genialitet och hårt arbete från forskare för att avslöja ny fysik. Här har laget potentiellt vänt en ny sida i vetenskaplig undersökning genom att ge maskiner med förmågan att lära av experiment och upptäcka ny fysik . Konsekvenserna kan verkligen vara långtgående. "

Nästa steg för forskningen är att utvidga algoritmen till att utforska större system, och olika klasser av kvantmodeller som representerar olika fysiska regimer eller underliggande strukturer.