Алгоритм машинного обучения помогает разгадать физику, лежащую в основе квантовых систем

Ученые из Лаборатории квантовых инженерных технологий (QETLabs) Бристольского университета разработали алгоритм, который дает ценную информацию о физике, лежащей в основе квантовых систем, — открывая путь к значительным достижениям в квантовых вычислениях и распознавании и потенциально открывая новую страницу в научных исследованиях. .


В физике системы частиц и их эволюция описываются математическими моделями, требующими успешного взаимодействия теоретических аргументов и экспериментальной проверки. Еще более сложным является описание систем частиц, взаимодействующих друг с другом на квантовомеханическом уровне, что часто делается с использованием гамильтоновой модели. Процесс формулирования гамильтоновых моделей на основе наблюдений еще более усложняется природой квантовых состояний, которые разрушаются, когда делаются попытки их исследовать.

В статье «Изучение моделей квантовых систем из экспериментов», опубликованной в Природа Физика, квантовая механика из лаборатории QET в Бристоле описывает алгоритм, который преодолевает эти проблемы, действуя как автономный агент, используя машинное обучение для обратного проектирования гамильтоновых моделей.

Команда разработала новый протокол для формулирования и проверки приближенных моделей интересующих квантовых систем. Их алгоритм работает автономно, проектируя и проводя эксперименты над целевой квантовой системой, а полученные данные возвращаются в алгоритм. Он предлагает кандидатуры гамильтоновых моделей для описания целевой системы и различает их с помощью статистических показателей, а именно байесовских факторов.

Интересно, что команда смогла успешно продемонстрировать возможности алгоритма в реальном квантовом эксперименте с центрами дефектов в алмазе, хорошо изученной платформе для квантовой обработки информации и квантового зондирования.

Алгоритм может быть использован для автоматизированного определения характеристик новых устройств, таких как квантовые датчики. Таким образом, это развитие представляет собой значительный прорыв в развитии квантовых технологий.

«Объединив мощь современных суперкомпьютеров с машинным обучением, мы смогли автоматически обнаруживать структуру в квантовых системах. По мере появления новых квантовых компьютеров / симуляторов алгоритм становится более захватывающим: сначала он может помочь проверить самого устройства, затем использовать эти устройства для понимания постоянно растущих систем », — сказал Брайан Флинн из QETLabs и Центра квантовой инженерии Бристольского университета для подготовки докторантов.

«Этот уровень автоматизации позволяет рассматривать мириады гипотетических моделей перед выбором оптимальной, задача, которая в противном случае была бы сложной для систем, сложность которых постоянно увеличивается», — сказал Андреас Джентиле, ранее работавший в QETLabs в Бристоле, а теперь работающий в Qu & Co. .

«Понимание лежащей в основе физики и моделей, описывающих квантовые системы, поможет нам расширить наши знания о технологиях, подходящих для квантовых вычислений и квантового зондирования», — сказал Себастьян Кнауэр, который ранее работал в лаборатории QETLabs в Бристоле, а теперь работает на физическом факультете Венского университета.

0 Комментарий
Inline Feedbacks
View all comments