Машинное обучение повысило эффективность квантовых систем

Машинное обучение повысило эффективность квантовых систем

Российские и английские исследователи придумали новый метод, позволяющий восстановить квантово-оптические состояния. Для этого авторы использовали алгоритмы с машинным обучением. О проделанной работе учёные рассказали на страницах журнала Optica.

Область квантовых технологий сегодня развивается колоссальными темпами. В основе этих технологий лежит манипуляция свойствами квантовых объектов — например, атомов, фотонов и ионов. Устройства, основанные на использовании объектов квантового мира, в перспективе будут способны перевернуть область информационных технологий — их вычислительная мощность теоретически может стать в тысячи раз выше, чем у современных суперкомпьютеров.

Одна из важнейших задач на пути к созданию квантовых технологий — разработка методов полного описания квантовых состояний и процессов. Для этого, однако, недостаточно просто сделать одно измерение. Поэтому учёные используют метод квантовой томографии — процедуру, которая позволяет узнать квантовое состояние системы с помощью статистической обработки экспериментальных данных.

В случае использования квантовых оптических состояний обычно применяется метод гомодинной томографии. Он предполагает создание специальной оптической схемы, в которой два электрических поля — измеряемое и вспомогательное — попадают на светоделитель, а затем на разные фотодетекторы. Разность в интенсивности сигналов детектора позволяет восстановить измеряемое состояние при многократном повторении эксперимента.

Однако существующие методы томографии, включая гомодинную, используют значительные вычислительные ресурсы, поэтому для систем из большого числа частиц это оказывается непрактичным. Кроме того, создать некоторые квантовые состояния достаточно сложно, поэтому учёные стараются получить высокую точность с помощью небольшого количества экспериментальных данных. 

Помочь сделать это может машинное обучение. Обучаемые алгоритмы способны находить в наборе данных скрытые сложные закономерности и решать задачи, основываясь на них. В 2018 году международная группа исследователей теоретически предложила такой метод для квантовых систем с дискретными переменными, а команда учёных из России и Англии смогла расширить его на область непрерывных переменных и экспериментально подтвердила его работоспособность.

Авторы нового исследования взяли за основу один из видов нейросетей — ограниченные машины Больцмана. Учёные проанализировали множество квантовых состояний, создали два алгоритма, которые обучили на выборке одинакового размера. Затем исследователи протестировали каждую нейросеть и выбрали из них ту, которая точнее описывает экспериментальные данные при небольшом объёме тестовой выборки.

Автор: Никита Шевцев
Редактор: Анастасия Воротникова

Понравился наш материал? Подписывайся на «Популярный университет» в социальных сетях: ВКонтакте, Telegram.

Если вы нашли ошибку, пожалуйста, выделите фрагмент текста и нажмите Ctrl+Enter.

Сообщить об опечатке

Текст, который будет отправлен нашим редакторам: