Muchos grupos de investigación en todo el mundo están tratando de desarrollar instrumentos para recolectar mediciones de alta precisión, como relojes atómicos o gravímetros. Algunos de estos investigadores han intentado lograr esto utilizando estados cuánticos entrelazados, que tienen una mayor sensibilidad a las cantidades que los estados clásicos o no entrelazados.

Debido a esta alta sensibilidad, sin embargo, Los estados cuánticos entrelazados también son más susceptibles a captar ruido (es decir, señales no relacionadas) mientras se recopilan las mediciones. Esto puede obstaculizar el desarrollo de dispositivos metrológicos mejorados cuánticos precisos y fiables.

Para superar esta limitación, Dos investigadores de la Leibniz Universität Hannover en Alemania han desarrollado recientemente algoritmos de aprendizaje automático cuántico que pueden utilizarse para eliminar el ruido de los datos cuánticos. Estos algoritmos, presentado en un artículo publicado en Cartas de revisión física , podría ayudar a producir datos más confiables utilizando relojes cuánticos u otras herramientas de medición basadas en estados cuánticos entrelazados.

Dmytro Bondarenko, uno de los investigadores involucrados en el estudio, ya había estado trabajando en un nuevo algoritmo basado en el aprendizaje automático cuántico bajo la supervisión del profesor Tobias Osborne en Leibniz Universität, Hannover. En este nuevo estudio, Bondarenko y su colega Polina Feldmann se propusieron investigar la viabilidad de usar este algoritmo para eliminar el ruido de los datos recopilados por instrumentos mejorados cuánticamente.

"El aprendizaje automático cuántico es un tema muy prometedor, ya que puede combinar la versatilidad del aprendizaje automático con el poder de los algoritmos cuánticos, "Bondarenko y Feldmann dijeron a Phys.org por correo electrónico." El aprendizaje automático es un método omnipresente para el análisis de datos ".

Al igual que los algoritmos tradicionales de aprendizaje automático, Los algoritmos cuánticos de aprendizaje automático dependen de una serie de parámetros variacionales que deben optimizarse antes de que se pueda utilizar un algoritmo para analizar datos. Para aprender los parámetros correctos, El algoritmo necesita primero ser entrenado en datos relacionados con la tarea que está diseñado para completar (por ejemplo, reconocimiento de patrones, clasificación de imágenes, etc.).

"Cuando decimos aprendizaje automático cuántico, queremos decir que la entrada y la salida del algoritmo son estados cuánticos, por ejemplo, de cierto número de qubits (bits cuánticos), que se puede realizar, por ejemplo, usando superconductores, "Bondarenko y Feldmann dijeron." El algoritmo que mapea el estado de entrada al estado de salida está destinado a ser implementado en una computadora cuántica. Los parámetros variacionales, que tienen que ser optimizados, son parámetros clásicos de las transformaciones que se realizan en la computadora cuántica ".

Los dos investigadores querían probar si el algoritmo de inclinación de la máquina cuántica desarrollado previamente por Bondarenko, Osborne y sus otros colegas podrían usarse para limpiar los datos recopilados utilizando herramientas de metrología mejoradas cuánticamente. Esto finalmente condujo al desarrollo de los autocodificadores cuánticos introducidos en su artículo reciente.

"Suponga que tiene un experimento cuántico que le proporciona una serie de estados cuánticos ruidosos, "Bondarenko y Feldmann explicaron." Suponga además que tiene una computadora cuántica que puede procesar estos estados. Nuestro autocodificador es un algoritmo que le dice a la computadora cuántica cómo transformar los estados cuánticos ruidosos del experimento para eliminarlos del ruido ".

Como paso inicial en su investigación, Bondarenko y Feldmann optimizaron sus algoritmos, entrenarlos para eliminar de manera efectiva los datos cuánticos. Como los estados de referencia eliminados son difíciles de obtener o no están disponibles experimentalmente, los investigadores utilizaron un truco que se utiliza a menudo al optimizar los codificadores automáticos clásicos, que son un tipo de algoritmos de aprendizaje automático no supervisados.

"El truco es que el algoritmo está escrito de tal manera que tiene que reducir la información en el camino desde la entrada a su estado de salida, "Bondarenko y Feldmann dijeron." Ahora, la figura de mérito se define como la similitud del estado procesado por el codificador automático y otro estado ruidoso de su experimento. Para hacer que estos estados sean lo más similares posible, el autocodificador debe mantener la información que es igual para ambos estados (su origen silencioso común), descartando el ruido, cuales, en todos los estados provenientes de su experimento, es diferente."

Los investigadores han llevado a cabo numerosas simulaciones en las que produjeron estados cuánticos entrelazados ruidosos. Primero, utilizaron estas salidas "experimentales" para optimizar los parámetros de variación del codificador automático. Una vez completada esta fase de formación, pudieron evaluar el rendimiento de sus autocodificadores en la eliminación de ruido de las mediciones cuánticas.

"La belleza de nuestro enfoque es su generalidad, ", Dijeron Bondarenko y Feldmann." No es necesario saber de antemano cómo se ve el resultado de su experimento, tampoco tiene que caracterizar sus fuentes de ruido. La eliminación de ruido funciona incluso si su salida experimental no es única, sino que depende de algún parámetro de control experimental, que es crucial para las aplicaciones metrológicas ".

El objetivo de los experimentos numéricos era eliminar el ruido de una serie de estados cuánticos altamente entrelazados que están sujetos a errores de giro y ruido unitario aleatorio. Sus algoritmos lograron resultados notables y también podrían implementarse en dispositivos cuánticos actuales.

Los algoritmos requieren una computadora cuántica que pueda procesar la salida experimental específica (es decir, datos cuánticos). Por ejemplo, si un investigador está tratando de utilizar los codificadores automáticos para eliminar el ruido de los datos basados ​​en iones atrapados, pero su computadora cuántica usa qubits superconductores, También necesitará utilizar una técnica que pueda mapear estados de una plataforma física a la otra.

"El entrenamiento eficaz de nuestros codificadores automáticos requiere varias pruebas, una cantidad considerable de datos experimentales, y la capacidad de medir la similitud entre estados cuánticos, "Bondarenko y Feldmann dijeron." No obstante, nuestro algoritmo no es un desperdicio con respecto a estos recursos y nuestros ejemplos son lo suficientemente pequeños como para caber fácilmente, al menos en términos de número de qubits, en muchas computadoras cuánticas existentes ".

Si bien se ha descubierto que las técnicas de aprendizaje automático cuántico y las computadoras cuánticas funcionan bien en una variedad de tareas, los investigadores todavía están tratando de identificar las aplicaciones prácticas para las que podrían ser de mayor utilidad. El reciente estudio llevado a cabo por Bondarenko y Feldmann ofrece un claro ejemplo de cómo los métodos de aprendizaje automático cuántico podrían, en última instancia, utilizarse en escenarios del mundo real.

"No era del todo obvio que nuestro enfoque funcionaría; y hace más que solo funcionar, al menos en nuestros pequeños ejemplos, funciona muy bien, "Dijeron Bondarenko y Feldmann.

En el futuro, los autocodificadores cuánticos desarrollados por estos dos investigadores podrían usarse para mejorar la confiabilidad de las mediciones recolectadas usando herramientas mejoradas cuánticas, particularmente aquellos que usan estados entrelazados de muchos cuerpos. Además, podrían servir como interfaces entre diferentes arquitecturas cuánticas.

"Los diferentes dispositivos cuánticos tienen diferentes méritos, "Bondarenko y Feldmann dijeron." Por ejemplo, podría ser más fácil usar átomos fríos para medir la gravedad, los fotones son excelentes para la comunicación y los qubits superconductores son más útiles para el procesamiento de información cuántica. Para convertir la información intercambiada entre estas diferentes plataformas, necesitamos interfaces, cuales, por ellos mismos, introducir errores. Nuestros codificadores automáticos pueden ayudar a eliminar el ruido de estos datos intercambiados ".

Bondarenko y Feldmann ahora están tratando de desarrollar un tipo diferente de algoritmo cuántico:una red neuronal cuántica recurrente. La arquitectura recurrente de este nuevo algoritmo debería permitirle almacenar información que procesó en el pasado y tener una 'memoria, "lo que permitiría a los investigadores corregir las desviaciones.

"Esto puede simplificar los experimentos cuánticos porque las desviaciones se filtrarán mediante el procesamiento posterior, "Bondarenko y Feldmann dijeron." Otra aplicación de las redes neuronales recurrentes es la eliminación de ruido en el caso de ruido que cambia lentamente. Por ejemplo, si uno envía fotones entrelazados a través del aire, el ruido puede diferir entre un día nublado con nieve y un día caluroso. Sin embargo, el clima no puede cambiar instantáneamente, por lo que un algoritmo con memoria puede superar a uno sin ".

© 2020 Science X Network