Quantum autoencodere til at dæmpe kvantemålinger

Mange forskningsgrupper verden over forsøger i øjeblikket at udvikle instrumenter til at indsamle højpræcisionsmålinger, såsom atomure eller gravimetre. Nogle af disse forskere har forsøgt at opnå dette ved at bruge sammenfiltrede kvantetilstande, som har en højere følsomhed over for mængder end klassiske eller ikke-sammenfiltrede tilstande.

På grund af denne høje følsomhed, imidlertid, kvantesammenfiltrede tilstande er også mere modtagelige for at opfange støj (dvs. ikke-relaterede signaler), mens der indsamles målinger. Dette kan hindre udviklingen af ​​nøjagtige og pålidelige kvanteforstærkede metrologiske enheder.

For at overvinde denne begrænsning, to forskere ved Leibniz Universität Hannover i Tyskland har for nylig udviklet kvantemaskinelæringsalgoritmer, der kan bruges til at forringe kvantedata. Disse algoritmer, præsenteret i et papir udgivet i Fysisk gennemgangsbreve , kunne hjælpe med at producere mere pålidelige data ved hjælp af kvanteure eller andre måleværktøjer baseret på sammenfiltrede kvantetilstande.

Dmytro Bondarenko, en af ​​forskerne involveret i undersøgelsen, havde allerede arbejdet på en ny algoritme baseret på kvantemaskinelæring under supervision af professor Tobias Osborne ved Leibniz Universität, Hannover. I denne nye undersøgelse, Bondarenko og hans kollega Polina Feldmann satte sig for at undersøge gennemførligheden af ​​at bruge denne algoritme til at dæmpe data indsamlet af kvanteforbedrede instrumenter.

"Kvantemaskinelæring er et meget lovende emne, da det kan kombinere alsidigheden ved maskinlæring med kraften i kvantealgoritmer, Bondarenko og Feldmann fortalte Phys.org via e-mail. "Maskinlæring er en allestedsnærværende metode til dataanalyse."

Ligesom traditionelle maskinlæringsalgoritmer, kvantemaskinelæringsalgoritmer afhænger af en række variationsparametre, der skal optimeres, før en algoritme kan bruges til at analysere data. For at lære de korrekte parametre, Algoritmen skal først trænes i data relateret til den opgave, den er designet til at udføre (f.eks. mønster genkendelse, billedklassificering, etc.).

"Når vi siger kvantemaskinelæring, vi mener, at input og output af algoritmen er kvantetilstande, for eksempel, af et vist antal qubits (kvantebits), som kan realiseres, for eksempel, ved hjælp af superledere, Bondarenko og Feldmann sagde. "Algorithmen, der kortlægger inputtilstanden til outputtilstanden, er beregnet til at blive implementeret på en kvantecomputer. Variationsparametrene, som skal optimeres, er klassiske parametre for de transformationer, der udføres på kvantecomputeren."

De to forskere ønskede at teste, om den kvantemaskinelændealgoritme, der tidligere var udviklet af Bondarenko, Osborne og deres andre kolleger kunne bruges til at rydde op i data indsamlet ved hjælp af kvanteforbedrede metrologiværktøjer. Dette førte i sidste ende til udviklingen af ​​kvante autoencodere introduceret i deres seneste papir.

"Antag, at du har et kvanteeksperiment, der giver dig en række støjende kvantetilstande, Bondarenko og Feldmann forklarede. "Antag desuden, at du har en kvantecomputer, som kan behandle disse tilstande. Vores autoencoder er en algoritme, som fortæller kvantecomputeren, hvordan den skal transformere de støjende kvantetilstande fra eksperimentet for at dæmpe dem."

Som et første skridt i deres forskning, Bondarenko og Feldmann optimerede deres algoritmer, træne dem til effektivt at afsløre kvantedata. Da denoiserede referencetilstande er svære at opnå eller utilgængelige eksperimentelt, forskerne brugte et trick, der ofte bruges til at optimere klassiske autoencodere, som er en type uovervågede maskinlæringsalgoritmer.

"Tricket er, at algoritmen er skrevet på en sådan måde, at den skal reducere informationen på vej fra input til outputtilstand, Bondarenko og Feldmann sagde. værdien er defineret som ligheden mellem den tilstand, der behandles af autoencoderen, og en anden støjende tilstand fra dit eksperiment. For at gøre disse tilstande så ens som muligt, autoencoderen skal holde informationen ens for begge tilstande (deres fælles støjfri oprindelse), mens du kasserer støjen, hvilken, i hver tilstand, der kommer fra dit eksperiment, er anderledes."

Forskerne har udført adskillige simuleringer, hvor de producerede støjende sammenfiltrede kvantetilstande. Først, de brugte disse 'eksperimentelle' output til at optimere variationsparametrene for autoencoderen. Når denne træningsfase var afsluttet, de var i stand til at evaluere deres autoencoderes ydeevne i denoising kvantemålinger.

"Det smukke ved vores tilgang er dens almene karakter, Bondarenko og Feldmann sagde. "Du behøver ikke på forhånd at vide, hvordan outputtet fra dit eksperiment ser ud, og du skal heller ikke karakterisere dine støjkilder. Denoising virker, selvom dit eksperimentelle output ikke er unikt, men afhænger af en eksperimentel kontrolparameter, hvilket er afgørende for metrologiske anvendelser."

Målet med de numeriske eksperimenter var at dæmpe en række stærkt sammenfiltrede kvantetilstande, der er genstand for spin-flip-fejl og tilfældig enhedsstøj. Deres algoritmer opnåede bemærkelsesværdige resultater og kunne også implementeres på nuværende kvanteenheder.

Algoritmerne kræver en kvantecomputer, der kan behandle det specifikke eksperimentelle output (dvs. kvantedata). For eksempel, hvis en forsker forsøger at bruge autoencoderne til at forsvinde data baseret på fangede ioner, men hendes kvantecomputer bruger superledende qubits, hun skal også bruge en teknik, der kan kortlægge tilstande fra den ene fysiske platform til den anden.

"En effektiv træning af vores autoencodere kræver adskillige forsøg, en betydelig mængde eksperimentelle data, og evnen til at måle ligheden mellem kvantetilstande, Bondarenko og Feldmann sagde. Ikke desto mindre, vores algoritme er ikke for spild med hensyn til disse ressourcer, og vores eksempler er små nok til nemt at passe, i det mindste med hensyn til antallet af qubits, ind i mange eksisterende kvantecomputere."

Mens kvantemaskinelæringsteknikker og kvantecomputere har vist sig at fungere godt i en række forskellige opgaver, forskere forsøger stadig at identificere de praktiske anvendelser, som de kunne være mest nyttige til. Den nylige undersøgelse udført af Bondarenko og Feldmann giver et klart eksempel på, hvordan kvantemaskinelæringsmetoder i sidste ende kan bruges i scenarier i den virkelige verden.

"Det var slet ikke indlysende, at vores tilgang ville fungere; og den gør mere end bare arbejde, i hvert fald i vores små eksempler, det fungerer rigtig godt, " sagde Bondarenko og Feldmann.

I fremtiden, kvanteautokoderne udviklet af disse to forskere kunne bruges til at forbedre pålideligheden af ​​målinger indsamlet ved hjælp af kvanteforbedrede værktøjer, især dem, der bruger mange-krops indviklede tilstande. Ud over, de kunne tjene som grænseflader mellem forskellige kvantearkitekturer.

"Forskellige kvanteenheder har forskellige fordele, " sagde Bondarenko og Feldmann. "F.eks. det kan være lettere at bruge kolde atomer til at måle tyngdekraften, fotoner er gode til kommunikation og superledende qubits er mere nyttige til kvanteinformationsbehandling. For at konvertere information udvekslet mellem disse forskellige platforme har vi brug for grænseflader, hvilken, på egen hånd, indføre fejl. Vores autoencodere kan hjælpe med at afsløre disse udvekslede data."

Bondarenko og Feldmann forsøger nu at udvikle en anden type kvantealgoritme:et tilbagevendende kvanteneuralt netværk. Denne nye algoritmes tilbagevendende arkitektur skulle gøre det muligt for den at gemme information, den har behandlet i fortiden, og have en "hukommelse, ", hvilket ville give forskerne mulighed for at korrigere for drifter.

"Dette kan gøre kvanteeksperimenterne enklere, fordi drift vil blive filtreret væk ved efterbehandling, " Bondarenko og Feldmann sagde. "En anden anvendelse af tilbagevendende neurale netværk er denoising i tilfælde af langsomt skiftende støj. For eksempel, hvis man sender sammenfiltrede fotoner via luft, støj kan variere mellem en snefyldt overskyet dag og en varm dag. Imidlertid, vejret kan ikke ændre sig øjeblikkeligt, så en algoritme med hukommelse kan overgå en uden."

© 2020 Science X Network