Hasta ahora, las técnicas de aprendizaje automático han demostrado ser muy prometedoras para el análisis de datos en varios campos, con muchas aplicaciones potenciales. Sin embargo, Los investigadores han descubierto que aplicar estos métodos a problemas de física cuántica es mucho más desafiante debido a la complejidad exponencial de los sistemas de muchos cuerpos.

Los sistemas cuánticos de muchos cuerpos son esencialmente estructuras microscópicas compuestas por varias partículas que interactúan. Si bien los estudios de física cuántica se han centrado en el comportamiento colectivo de estos sistemas, El uso del aprendizaje automático en estas investigaciones ha demostrado ser muy difícil.

Teniendo esto en cuenta, un equipo de investigadores de la Universidad de Harvard desarrolló recientemente un algoritmo basado en circuitos cuánticos inspirado en redes neuronales convolucionales (CNN), una popular técnica de aprendizaje automático que ha logrado resultados notables en una variedad de campos. En su papel publicado en Física de la naturaleza , los investigadores describieron esta nueva arquitectura y evaluaron su precisión en el reconocimiento de estados cuánticos asociados con un 1-D, fase topológica protegida por simetría.

"Nuestro trabajo está motivado en gran medida por el progreso experimental reciente para construir computadoras cuánticas y el desarrollo de inteligencia artificial basada en métodos de redes neuronales, "Soonwon Choi, uno de los investigadores que realizó el estudio, dijo Phys.org. "En algún sentido, la idea de combinar técnicas de aprendizaje automático y computadoras / simuladores cuánticos es muy natural:en ambos campos, estamos tratando de extraer información significativa de una gran cantidad de datos complejos ".

Como físico teórico que investiga los sistemas cuánticos de muchos cuerpos, Choi se había preguntado a menudo si podría haber una forma más eficiente de analizar la gran cantidad de datos complejos obtenidos mediante simuladores cuánticos. Las redes neuronales artificiales pronto llamaron su atención, ya que llevaron a resultados notables en varias otras tareas.

Transformar los enfoques tradicionales de aprendizaje automático para que puedan aplicarse de manera efectiva en la física cuántica. sin embargo, parecía ser un desafío. La principal razón de esto es que los simuladores cuánticos existentes son bastante pequeños, por lo tanto, no pueden admitir CNN a gran escala y otras técnicas de aprendizaje automático que se utilizan en computadoras convencionales.

"Teníamos que asegurarnos de que todas las características importantes de las técnicas de aprendizaje automático convencionales se mantengan mientras nuestro nuevo algoritmo es lo más compacto posible, "Choi explicó." Uno de los objetivos del presente trabajo fue generalizar un Arquitectura de aprendizaje automático conocida llamada red neuronal convolucional (CNN) para un circuito cuántico compacto, y demostrar sus capacidades con ejemplos simplistas pero significativos ".

En su estudio, Choi y sus colegas asumieron que las CNN deben su gran éxito a dos características importantes. Primeramente, el hecho de que están hechos de unidades locales más pequeñas (es decir, múltiples capas de puertas cuánticas cuasi-locales). En segundo lugar, su capacidad para procesar datos de entrada de forma jerárquica. Los investigadores encontraron una conexión entre estas dos características y dos conceptos físicos de renombre conocidos como localidad y renormalización.

"La localidad es natural en física porque creemos que la ley de la naturaleza es fundamentalmente local, "Dijo Choi." Renormalización, por otra parte, es un concepto muy interesante. En física, ciertas características universales de un sistema cuántico de muchos cuerpos, como la fase (por ejemplo, líquido, gas, sólido, etc.) de los materiales no dependen de (o no son sensibles a) información detallada microscópicamente del sistema, sino que se rige por unos pocos parámetros ocultos importantes. La renormalización es una técnica teórica para identificar esos parámetros importantes a partir de la descripción microscópica de un sistema cuántico ".

Los investigadores observaron que los procesos de renormalización comparten algunas similitudes con las aplicaciones de reconocimiento de patrones, particularmente aquellos en los que se utiliza el aprendizaje automático para identificar objetos en imágenes. Por ejemplo, cuando una CNN entrenada para tareas de reconocimiento de patrones analiza imágenes de animales, se centra en una característica universal (es decir, tratando de identificar qué animal se representa en la imagen), independientemente de si animales individuales del mismo tipo (p. ej., gatos) se ven ligeramente diferentes.

Este proceso es algo similar a las técnicas de renormalización en física teórica, que también puede ayudar a destilar información universal. En su estudio, Choi y sus colegas intentaron desarrollar una arquitectura con las mismas cualidades clave que las CNN, pero eso también sería aplicable a problemas de física cuántica.

"El circuito cuántico resultante implica solo un número log (n) de parámetros que se optimizarán para datos de entrada de n-qubit, que es una mejora exponencial doble en comparación con un enfoque ingenuo, en el que exp (n) número de parámetros están optimizados, "Choi explicó." Cuando el número de parámetros para optimizar se vuelve tan pequeño, uno puede preocuparse de que nuestro circuito no sea capaz de realizar tareas complejas de procesamiento de información. Sin embargo, hemos demostrado que a pesar de su pequeño tamaño, nuestra CNN cuántica todavía es capaz de reconocer diferentes fases cuánticas y diseñar esquemas de corrección de errores cuánticos ".

Los investigadores evaluaron la técnica que desarrollaron, llamada red neuronal convolucional cuántica (QCNN), en un problema específico de la física cuántica que implicaba el reconocimiento de estados cuánticos asociados con una fase topológica protegida por simetría 1-D. Notablemente, su técnica fue capaz de reconocer estos estados cuánticos, superando los enfoques existentes. Como es bastante compacto, el QCNN también podría implementarse potencialmente en pequeñas computadoras cuánticas.

"En mi opinión, El hallazgo más significativo de nuestro trabajo es la conexión entre conceptos físicos conocidos, renormalización (o más precisamente, ansatz de renormalización de entrelazamiento multiescala), y una técnica de procesamiento de información exitosa en inteligencia artificial, CNN, "Dijo Choi." Ya se han sugerido conexiones similares hace varios años, pero aquí hemos comprobado con éxito la conexión demostrándola explícitamente con un ejemplo claro ".

Choi y sus colegas se encuentran entre los primeros en crear con éxito una arquitectura inspirada en CNN que incorpora la física cuántica. Los ejemplos descritos en su artículo también son lo suficientemente simples como para ser aplicados experimentalmente a dispositivos cuánticos existentes y futuros. Sus resultados sugieren que la renormalización podría ser una técnica de procesamiento de información cuántica prometedora y, por lo tanto, tienen la intención de explorar más esta idea.

"Hemos demostrado que nuestro método permite diseñar esquemas de corrección de errores cuánticos adaptados a un sistema experimental dado, Choi dijo:"Sería muy emocionante ver su acción para salir de las plataformas de computación cuántica y mejorar su rendimiento".

En su trabajo futuro, Choi y sus colegas intentarán primero utilizar sus hallazgos para desarrollar nuevas computadoras cuánticas. Además, les gustaría realizar más investigaciones para investigar la relación entre las CNN u otros métodos basados ​​en redes neuronales y las técnicas de renormalización.

"Si bien hemos demostrado un buen ejemplo de sistemas cuánticos unidimensionales, Todavía falta un estudio más profundo de la conexión en toda su generalidad, "Choi agregó." En particular, estudiar la conexión en sistemas cuánticos bidimensionales sería una dirección futura emocionante ".

© 2019 Science X Network