A medida que el aprendizaje automático sigue superando el rendimiento humano en un número creciente de tareas, Los científicos de Skoltech han aplicado el aprendizaje profundo para reconstruir las propiedades cuánticas de los sistemas ópticos.

A través de una colaboración entre los laboratorios de investigación de óptica cuántica de la Universidad Estatal de Moscú, dirigido por Sergey Kulik, y miembros del Deep Quantum Laboratory de CPQM de Skoltech, dirigido por Jacob Biamonte, los científicos han aplicado con éxito el aprendizaje automático al problema de la reconstrucción del estado.

Sus hallazgos han sido reportados en npj Información cuántica , y son los primeros en demostrar que el aprendizaje automático puede reconstruir estados cuánticos a partir de datos experimentales en presencia de ruido y errores de detección.

El equipo de MSU generó datos con una plataforma experimental basada en estados espaciales de fotones para preparar y medir estados cuánticos de alta dimensión. Los errores experimentales en la preparación del estado y las mediciones inevitablemente plagan los resultados y la situación empeora con el aumento de la dimensionalidad. Al mismo tiempo, extender la dimensionalidad de los estados cuánticos accesibles es extremadamente importante para los protocolos de comunicación cuántica, y especialmente la computación cuántica. Aquí es donde resultan útiles las técnicas de aprendizaje automático. El equipo de Skoltech implementó una red neuronal profunda implementada para analizar los datos experimentales ruidosos y aprender de manera eficiente a realizar la eliminación de ruido. mejorando significativamente la calidad de la reconstrucción del estado cuántico.

Ph.D. de Skoltech estudiante Adriano Macarone Palmieri, autor principal del estudio, describió los hallazgos como "una nueva puerta abierta hacia conocimientos más profundos". Adriano tiene una maestría en física de Bolonia y se unió a Skoltech desde Italia, donde trabajó como científico de datos.

Trabajando en estrecha colaboración con el Ph.D. de MSU. estudiante, Egor Kovlakov, Adriano se acercó a su antiguo colega y actual becario postdoctoral en la Universidad Bocconi, Federico Bianchi. Federico, un experto en aprendizaje automático, quien describe los hallazgos como "un ejemplo sólido de descubrimiento basado en datos que combina el aprendizaje automático y la física cuántica". Si bien Federico no tenía experiencia con la mecánica cuántica antes de unirse a este estudio, vio el problema en términos de información y ayudó a crear un modelo novedoso del sistema basado en redes neuronales profundas de alimentación directa.

Tanto Adriano como Federico trabajaron en estrecha colaboración con muchos miembros del Deep Quantum Laboratory, incluido Dmitry Yudin, quien describe los hallazgos como un primer paso importante hacia el uso práctico de la arquitectura de red neuronal en un laboratorio para mejorar la tomografía cuántica con configuraciones cuánticas disponibles de datos experimentales ruidosos. Dicho procesamiento de información cuántica se utiliza de forma ubicua en dispositivos cuánticos paradigmáticos para la optimización y el cálculo cuántico. En el futuro, los investigadores planean abordar los desafíos adicionales de la ampliación de los dispositivos de información cuántica, y esperan que este trabajo sea fundamental en sus futuras investigaciones.

Estos resultados no hubieran sido posibles sin la investigación experimental de Egor Kovlakov, apoyado por Stanislav Straupe y Sergei Kuliik, de MSU. Durante los últimos años, han aplicado una amplia gama de técnicas al problema de la reconstrucción estatal. Para sorpresa de los coautores, el aprendizaje profundo superó estos métodos de vanguardia en un experimento real.

El equipo del Deep Quantum Laboratory de Skoltech cree que las técnicas de aprendizaje automático jugarán un papel esencial en el futuro desarrollo de las tecnologías cuánticas. A medida que los dispositivos cuánticos disponibles se vuelven cada vez más complejos, Cada vez es más difícil controlar todos los parámetros con el nivel de precisión deseado. Esto surgió como un campo de aplicación muy natural para las técnicas de aprendizaje profundo y aprendizaje automático en general.