Maskinlæringsalgoritme hjælper med at optrevle fysikken bag kvantesystemerne

Forskere fra University of Bristols Quantum Engineering Technology Labs (QETLabs) har udviklet en algoritme, der giver værdifuld indsigt i den fysik, der ligger til grund for kvantesystemer, hvilket baner vejen for betydelige fremskridt inden for kvanteberegning og -sansning, og potentielt vende en ny side i videnskabelig undersøgelse.

I fysik, systemer af partikler og deres udvikling er beskrevet af matematiske modeller, kræver et vellykket samspil mellem teoretiske argumenter og eksperimentel verifikation. Endnu mere kompleks er beskrivelsen af ​​systemer af partikler, der interagerer med hinanden på det kvantemekaniske niveau, hvilket ofte gøres ved hjælp af en Hamiltonsk model. Processen med at formulere Hamiltonske modeller ud fra observationer gøres endnu sværere af kvantetilstandenes natur, som kollapser, når der gøres forsøg på at inspicere dem.

I avisen, Lære modeller af kvantesystemer fra eksperimenter, udgivet i Naturfysik , kvantemekanik fra Bristols QET Labs beskriver en algoritme, som overvinder disse udfordringer ved at fungere som en autonom agent, ved at bruge maskinlæring til at reversere Hamilton-modeller.

Holdet udviklede en ny protokol til at formulere og validere omtrentlige modeller for kvantesystemer af interesse. Deres algoritme fungerer selvstændigt, designe og udføre eksperimenter på det målrettede kvantesystem, med de resulterende data, der føres tilbage til algoritmen. Det foreslår Hamilton-kandidatmodeller til at beskrive målsystemet, og skelner mellem dem ved hjælp af statistiske målinger, nemlig Bayes faktorer.

Spændende nok, holdet var i stand til med succes at demonstrere algoritmens evne på et virkeligt kvanteeksperiment, der involverede defektcentre i en diamant, en velundersøgt platform for kvanteinformationsbehandling og kvantesansning.

Algoritmen kan bruges til at hjælpe med automatiseret karakterisering af nye enheder, såsom kvantesensorer. Denne udvikling repræsenterer derfor et væsentligt gennembrud i udviklingen af ​​kvanteteknologier.

"Ved at kombinere kraften i nutidens supercomputere med maskinlæring, vi var i stand til automatisk at opdage struktur i kvantesystemer. Efterhånden som nye kvantecomputere/simulatorer bliver tilgængelige, Algoritmen bliver mere spændende:For det første kan den hjælpe med at verificere enhedens ydeevne, så udnytte disse enheder til at forstå stadigt større systemer, " sagde Brian Flynn fra University of Bristols QETLabs og Quantum Engineering Center for Doctoral Training.

"Dette niveau af automatisering gør det muligt at underholde myriader af hypotetiske modeller, før du vælger en optimal, en opgave, der ellers ville være skræmmende for systemer, hvis kompleksitet er stadig stigende, sagde Andreas Gentile, tidligere fra Bristols QETLabs, nu hos Qu &Co.

"Forståelse af den underliggende fysik og modellerne, der beskriver kvantesystemer, hjælpe os med at fremme vores viden om teknologier, der er egnede til kvanteberegning og kvantesansning, " sagde Sebastian Knauer, også tidligere fra Bristols QETLabs og nu baseret på universitetet i Wiens fakultet for fysik.

Anthony Laing, meddirektør for QETLabs og lektor ved Bristol's School of Physics, og en forfatter på papiret, roste holdet:"Tidligere har vi stolet på videnskabsmænds geni og hårde arbejde for at afdække ny fysik. Her har holdet potentielt vendt en ny side i videnskabelig undersøgelse ved at give maskiner evnen til at lære af eksperimenter og opdage ny fysik Konsekvenserne kan være vidtrækkende."

Det næste skridt for forskningen er at udvide algoritmen til at udforske større systemer, og forskellige klasser af kvantemodeller, som repræsenterer forskellige fysiske regimer eller underliggende strukturer.