Los científicos de los laboratorios de tecnología de ingeniería cuántica de la Universidad de Bristol (QETLabs) han desarrollado un algoritmo que proporciona información valiosa sobre la física subyacente a los sistemas cuánticos, allanando el camino para avances significativos en la computación cuántica y la detección. y potencialmente pasar una nueva página en la investigación científica.

En física, Los sistemas de partículas y su evolución se describen mediante modelos matemáticos, requiriendo la interacción exitosa de argumentos teóricos y verificación experimental. Aún más compleja es la descripción de sistemas de partículas que interactúan entre sí a nivel mecánico cuántico, que a menudo se hace utilizando un modelo hamiltoniano. El proceso de formular modelos hamiltonianos a partir de observaciones se dificulta aún más por la naturaleza de los estados cuánticos, que colapsan cuando se intenta inspeccionarlos.

En el papel, Aprender modelos de sistemas cuánticos a partir de experimentos, publicado en Física de la naturaleza , La mecánica cuántica de los laboratorios QET de Bristol describe un algoritmo que supera estos desafíos actuando como un agente autónomo, utilizando el aprendizaje automático para aplicar ingeniería inversa a los modelos hamiltonianos.

El equipo desarrolló un nuevo protocolo para formular y validar modelos aproximados para sistemas cuánticos de interés. Su algoritmo funciona de forma autónoma, diseñar y realizar experimentos en el sistema cuántico objetivo, con los datos resultantes retroalimentados en el algoritmo. Propone modelos hamiltonianos candidatos para describir el sistema objetivo, y distingue entre ellos mediante métricas estadísticas, a saber, factores de Bayes.

Emocionantemente el equipo pudo demostrar con éxito la capacidad del algoritmo en un experimento cuántico de la vida real que involucra centros de defectos en un diamante, una plataforma bien estudiada para el procesamiento de información cuántica y la detección cuántica.

El algoritmo podría utilizarse para ayudar a la caracterización automatizada de nuevos dispositivos, como sensores cuánticos. Por lo tanto, este desarrollo representa un avance significativo en el desarrollo de tecnologías cuánticas.

"Combinando el poder de las supercomputadoras actuales con el aprendizaje automático, pudimos descubrir automáticamente la estructura en los sistemas cuánticos. A medida que se disponga de nuevas computadoras / simuladores cuánticos, el algoritmo se vuelve más emocionante:primero puede ayudar a verificar el rendimiento del dispositivo en sí, luego explote esos dispositivos para comprender sistemas cada vez más grandes, ", dijo Brian Flynn del QETLabs de la Universidad de Bristol y del Centro de Ingeniería Cuántica para la Formación Doctoral.

"Este nivel de automatización hace posible considerar miles de modelos hipotéticos antes de seleccionar uno óptimo, una tarea que de otro modo sería abrumadora para los sistemas cuya complejidad es cada vez mayor, "dijo Andreas Gentile, anteriormente de QETLabs de Bristol, ahora en Qu &Co.

"Comprender la física subyacente y los modelos que describen los sistemas cuánticos, ayudarnos a avanzar en nuestro conocimiento de las tecnologías adecuadas para la computación cuántica y la detección cuántica, "dijo Sebastian Knauer, también anteriormente en QETLabs de Bristol y ahora con sede en la Facultad de Física de la Universidad de Viena.

Anthony Laing, codirector de QETLabs y profesor asociado en la Escuela de Física de Bristol, y un autor en el papel, elogió al equipo:"En el pasado, hemos confiado en el genio y el arduo trabajo de los científicos para descubrir nueva física. En este caso, el equipo potencialmente ha pasado una nueva página en la investigación científica al otorgar a las máquinas la capacidad de aprender de los experimentos y descubrir nueva física . Las consecuencias podrían ser de gran alcance ".

El siguiente paso de la investigación es extender el algoritmo para explorar sistemas más grandes, y diferentes clases de modelos cuánticos que representan diferentes regímenes físicos o estructuras subyacentes.