En metode til at forudsige egenskaberne af komplekse kvantesystemer

At forudsige egenskaberne ved komplekse kvantesystemer er et afgørende skridt i udviklingen af ​​avancerede kvanteteknologier. Mens forskerhold verden over allerede har udtænkt en række teknikker til at studere karakteristika ved kvantesystemer, de fleste af disse har kun vist sig at være effektive i nogle tilfælde.

Tre forskere ved California Institute of Technology introducerede for nylig en ny metode, der kan bruges til at forudsige flere egenskaber ved komplekse kvantesystemer ud fra et begrænset antal målinger. Deres metode, beskrevet i et papir udgivet i Naturfysik , har vist sig at være yderst effektiv og kunne åbne nye muligheder for at studere måder, hvorpå maskiner behandler kvanteinformation.

"Under min bachelor, min forskning centreret om statistisk maskinlæring og dyb læring, "Hsin-Yuan Huang, en af ​​forskerne, der gennemførte undersøgelsen, fortalte Phys.org. "Et centralt grundlag for den nuværende maskinlæringsæra er evnen til at bruge meget paralleliseret hardware, såsom grafiske behandlingsenheder (GPU) eller tensorbehandlingsenheder (TPU). Det er naturligt at undre sig over, hvordan en endnu mere kraftfuld læremaskine, der er i stand til at udnytte kvantemekaniske processer, kunne dukke op i en fjern fremtid. Dette var mit ønske, da jeg startede min ph.d. hos Caltech."

Det første skridt mod udviklingen af ​​mere avancerede maskiner baseret på kvantemekaniske processer er at få en bedre forståelse af, hvordan nuværende teknologier behandler og manipulerer kvantesystemer og kvanteinformation. Standardmetoden til at gøre dette, kendt som kvantetilstandstomografi, fungerer ved at lære hele beskrivelsen af ​​et kvantesystem. Imidlertid, dette kræver et eksponentielt antal målinger, samt betydelig beregningshukommelse og tid.

Som resultat, ved brug af kvantetilstandstomografi, maskiner er i øjeblikket ude af stand til at understøtte kvantesystemer med over snesevis af qubits. I de seneste år, forskere har foreslået en række teknikker baseret på kunstige neurale netværk, som betydeligt kunne forbedre kvanteinformationsbehandlingen af ​​maskiner. Desværre, imidlertid, disse teknikker generaliserer ikke godt på tværs af alle tilfælde, og de specifikke krav, der tillader dem at arbejde, er stadig uklare.

"At opbygge et stringent fundament for, hvordan maskiner kan opfatte kvantesystemer, vi kombinerede min tidligere viden om statistisk læringsteori med Richard Kueng og John Preskills ekspertise i en smuk matematisk teori kendt som unitary t-design, " sagde Huang. "Statistisk læringsteori er teorien, der ligger til grund for, hvordan maskinen kunne lære en omtrentlig model om, hvordan verden opfører sig, mens unitary t-design er en matematisk teori, der ligger til grund for, hvordan kvanteinformation forvrider, hvilket er centralt for at forstå kvantemangel-krops kaos, i særdeleshed, kvante sorte huller. "

Ved at kombinere statistisk læring og enheds t-design teori, forskerne var i stand til at udtænke en stringent og effektiv procedure, der gør det muligt for klassiske maskiner at producere tilnærmede klassiske beskrivelser af kvante mange-kropssystemer. Disse beskrivelser kan bruges til at forudsige adskillige egenskaber ved de kvantesystemer, der studeres, ved at udføre et minimalt antal kvantemålinger.

"For at konstruere en omtrentlig klassisk beskrivelse af kvantetilstanden, vi udfører en randomiseret måleprocedure givet som følger, " sagde Huang. "Vi prøver nogle få tilfældige kvanteevolutioner, som ville blive anvendt på det ukendte kvante-mangelegemesystem. Disse tilfældige kvanteudviklinger er typisk kaotiske og ville forvrænge kvanteinformationen, der er lagret i kvantesystemet."

De tilfældige kvanteudviklinger, der er samplet af forskerne, muliggør i sidste ende brugen af ​​den matematiske teori om enheds-t-design til at studere sådanne kaotiske kvantesystemer som kvantesorte huller. Ud over, Huang og hans kolleger undersøgte en række tilfældigt krypterede kvantesystemer ved hjælp af et måleværktøj, der fremkalder et bølgefunktionskollaps, en proces, der gør et kvantesystem til et klassisk system. Endelig, de kombinerede de tilfældige kvanteudviklinger med de klassiske systemrepræsentationer afledt af deres målinger, producere en tilnærmet klassisk beskrivelse af kvantesystemet af interesse.

"Intuitivt, man kunne tænke på denne procedure som følger, Huang forklarede. "Vi har et eksponentielt højdimensionelt objekt, kvante-mangelegemesystemet, det er meget svært at forstå af en klassisk maskine. Vi udfører flere tilfældige fremskrivninger af dette ekstremt højdimensionerede objekt til et meget lavere dimensionelt rum ved hjælp af tilfældig/kaotisk kvanteevolution. Sættet af tilfældige projektioner giver et groft billede af, hvordan dette eksponentielt højdimensionelle objekt ser ud, og den klassiske repræsentation giver os mulighed for at forudsige forskellige egenskaber ved kvante-mangelegemesystemet."

Huang og hans kolleger beviste, at ved at kombinere statistiske læringskonstruktioner og teorien om kvanteinformations-forvrængning, de kunne præcist forudsige M -egenskaber for et kvantesystem udelukkende baseret på log (M) -målinger. Med andre ord, deres metode kan forudsige et eksponentielt antal egenskaber blot ved gentagne gange at måle specifikke aspekter af et kvantesystem i et bestemt antal gange.

"Den traditionelle forståelse er, at når vi ønsker at måle M-egenskaber, vi skal måle kvantesystemet M gange, " sagde Huang. "Dette skyldes, at efter at vi har målt en egenskab ved kvantesystemet, kvantesystemet ville kollapse og blive klassisk. Efter at kvantesystemet er blevet klassisk, vi kan ikke måle andre egenskaber med det resulterende klassiske system. Vores tilgang undgår dette ved at udføre tilfældigt genererede målinger og udlede den ønskede egenskab ved at kombinere disse måledata."

Undersøgelsen forklarer delvist den fremragende ydeevne opnået ved nyligt udviklede machine learning (ML) teknikker til at forudsige egenskaber ved kvantesystemer. Ud over, dets unikke design gør den metode, de udviklede, betydeligt hurtigere end eksisterende ML-teknikker, samtidig med at det tillader det at forudsige egenskaber af kvante-mange-kropssystemer med en større nøjagtighed.

"Vores undersøgelse viser strengt, at der er meget mere information skjult i de data, der er opnået fra kvantemålinger, end vi oprindeligt forventede, " sagde Huang. "Ved at kombinere disse data på passende måde, vi kan udlede denne skjulte information og få betydeligt mere viden om kvantesystemet. Dette indebærer vigtigheden af ​​datavidenskabelige teknikker for udviklingen af ​​kvanteteknologi."

Resultaterne af tests, som holdet udførte, tyder på, at for at udnytte kraften ved maskinlæring, det er først nødvendigt at opnå en god forståelse af iboende kvantefysiske mekanismer. Huang og hans kolleger viste, at selvom direkte anvendelse af standard maskinlæringsteknikker kan føre til tilfredsstillende resultater, organisk kombination af matematikken bag maskinlæring og kvantefysik resulterer i langt bedre ydelse af kvanteinformationsbehandling.

"I betragtning af en streng grund til at opfatte kvantesystemer med klassiske maskiner, min personlige plan er nu at tage det næste skridt mod at skabe en læremaskine, der er i stand til at manipulere og udnytte kvantemekaniske processer, Huang sagde. vi ønsker at give en solid forståelse af, hvordan maskiner kan lære at løse kvante mange-kropsproblemer, såsom at klassificere kvantefaser af stof eller finde kvante mange-legeme grundtilstande."

Denne nye metode til at konstruere klassiske repræsentationer af kvantesystemer kunne åbne nye muligheder for brugen af ​​maskinlæring til at løse udfordrende problemer, der involverer kvante-mange-kropssystemer. For at tackle disse problemer mere effektivt, imidlertid, maskiner skulle også være i stand til at simulere en række komplekse beregninger, hvilket ville kræve en yderligere syntese mellem matematikken bag maskinlæring og kvantefysik. I deres næste undersøgelser, Huang og hans kolleger planlægger at udforske nye teknikker, der kan muliggøre denne syntese.

"På samme tid, vi arbejder også på at forfine og udvikle nye værktøjer til at udlede skjult information fra data indsamlet af kvanteeksperimentalister, "Huang sagde. "Den fysiske begrænsning i de faktiske systemer giver interessante udfordringer for at udvikle mere avancerede teknikker. Dette ville yderligere give eksperimentister mulighed for at se, hvad de oprindeligt ikke kunne, og hjælpe med at fremme kvanteteknologiens nuværende tilstand. "

© 2020 Science X Network