Maskinlæring implementeret til kvanteoptik

Da maskinlæring fortsat overgår menneskelige præstationer i et stigende antal opgaver, forskere på Skoltech har anvendt dyb læring til at rekonstruere kvanteegenskaber for optiske systemer.

Gennem et samarbejde mellem kvantoptiske forskningslaboratorier ved Moscow State University, ledet af Sergey Kulik, og medlemmer af Skoltech's Deep Quantum Laboratory of CPQM, ledet af Jacob Biamonte, forskerne har med succes anvendt maskinlæring til problemet med statens genopbygning.

Deres resultater er blevet rapporteret i npj Quantum Information , og er de første til at vise, at maskinlæring kan rekonstruere kvantetilstande fra eksperimentelle data i nærvær af støj og detektorfejl.

MSU-teamet genererede data med en eksperimentel platform baseret på rumlige tilstander af fotoner til at forberede og måle højdimensionelle kvantetilstande. Eksperimentelle fejl i tilstandsforberedelse og målinger plager uundgåeligt resultaterne, og situationen bliver værre med stigende dimension. På samme tid, at udvide dimensionen af ​​tilgængelige kvantetilstande er ekstremt vigtig for kvantekommunikationsprotokoller, og især kvantecomputing. Det er her, maskinlæringsteknikker er nyttige. Skoltech -teamet implementerede et dybt neuralt netværk implementeret for at analysere de støjende eksperimentelle data og effektivt lære at udføre denoising, markant forbedring af kvaliteten af ​​genopbygning af kvantetilstand.

Skoltech Ph.D. studerende Adriano Macarone Palmieri, hovedforfatter af undersøgelsen, beskrev fundene som "en ny åben dør mod dybere indsigt." Adriano har en kandidatgrad i fysik fra Bologna og sluttede sig til Skoltech fra Italien, hvor han arbejdede som dataforsker.

Arbejder tæt med MSU's ph.d. studerende, Egor Kovlakov, Adriano kontaktede sin tidligere kollega og en nuværende postdoktor ved Bocconi University, Federico Bianchi. Federico, en maskinlæringsekspert der beskriver fundene som "et godt eksempel på datadrevet opdagelse, der kombinerer maskinlæring og kvantefysik." Selvom Federico ikke havde erfaring med kvantemekanik, før han sluttede sig til denne undersøgelse, han så problemet med hensyn til information og hjalp med at skabe en ny model af systemet baseret på dybe feed-forward neurale netværk.

Både Adriano og Federico arbejdede i tæt samarbejde med mange medlemmer af Deep Quantum Laboratory, herunder Dmitry Yudin, der beskriver resultaterne som et vigtigt første skridt i retning af den praktiske anvendelse af neurale netværksarkitektur i et laboratorium til forbedring af kvantetomografi med tilgængelige kvanteopsætninger af støjende eksperimentelle data. Sådan behandling af kvanteoplysninger bruges allestedsnærværende i paradigmatiske kvanteindretninger til kvanteberegning og optimering. I fremtiden, forskerne planlægger at løse yderligere udfordringer ved opskalering af kvanteinformationsenheder, og forventer, at dette arbejde er fundamentalt i deres videre forskning.

Disse resultater ville ikke have været mulige uden eksperimentel forskning af Egor Kovlakov, støttet af Stanislav Straupe og Sergei Kuliik, fra MSU. I løbet af de sidste mange år har de har anvendt en bred vifte af teknikker til statens genopbygningsproblem. Til medforfatternes overraskelse, dyb læring overgik disse topmoderne metoder i et ægte eksperiment.

Skoltechs Deep Quantum Laboratory -team mener, at maskinlæringsteknikker vil spille en væsentlig rolle i den fremtidige udvikling af kvanteteknologier. Efterhånden som de tilgængelige kvanteenheder bliver mere og mere komplekse, det bliver sværere og sværere at styre alle parametrene på det ønskede præcisionsniveau. Dette udkom som et meget naturligt anvendelsesområde for dyb læring og maskinlæringsteknikker generelt.