Многие исследовательские группы по всему миру в настоящее время пытаются разработать приборы для сбора высокоточных измерений, такие как атомные часы или гравиметры. Некоторые из этих исследователей пытались достичь этого, используя запутанные квантовые состояния, которые имеют более высокую чувствительность к величинам, чем классические или не запутанные состояния.
Однако из-за высокой чувствительности квантовые запутанные состояния также более подвержены улавливанию шума ( несвязанные сигналы) при сборе измерений. Это может помешать разработке точных и надежных квантовых метрологических приборов.
Чтобы преодолеть это ограничение, необходимо два Исследователи из Лейбницкого Университета Ганновера в Германии недавно разработали алгоритмы квантового машинного обучения, которые можно использовать для шумоподавления квантовых данных. Эти алгоритмы представлены в статье, опубликованной в Письмах о физическом обзоре , может помочь в получении более надежных данных с использованием квантовых часов или других инструментов измерения, основанных на запутанных квантовых состояниях.
Дмитрий Бондаренко, один из исследователей, участвовавших в исследовании, уже работал над новым алгоритмом, основанным на обучении квантовой машине, под руководством профессора Тобиаса Осборна из Университета Лейбница, Ганновер. В этом новом исследовании Бондаренко и его коллега Полина Фельдманн решили исследовать возможность использования этого алгоритма для шумоподавления данных, собранных квантовыми приборами.
«Квантовое машинное обучение является очень многообещающей темой, поскольку оно может сочетать в себе универсальность машинного обучения и мощь квантовых алгоритмов», – сообщили Бондаренко и Фельдманн в Phys.org по электронной почте. «Машинное обучение – это повсеместный метод анализа данных».
Как и традиционные алгоритмы машинного обучения, квантовый Алгоритмы машинного обучения зависят от ряда вариационных параметров, которые необходимо оптимизировать, прежде чем использовать алгоритм для анализа данных. Чтобы узнать правильные параметры, алгоритм должен сначала пройти обучение на данных, связанных с задачей, для которой он предназначен (например, распознавание образов, классификация изображений и т. Д.).
«Когда мы говорим о квантовом машинном обучении, мы имеем в виду, что вход и выход алгоритма являются квантовыми состояниями, например, некоторого числа кубитов (квантовых битов). ), что может быть реализовано, например, с использованием сверхпроводников», – сказали Бондаренко и Фельдманн. «Алгоритм, который отображает входное состояние в выходное состояние, предназначен для реализации на квантовом компьютере. Вариационные параметры, которые должны быть оптимизированы, являются классическими параметрами преобразований, выполняемых на квантовом компьютере».
Два исследователя хотели проверить, может ли быть алгоритм склонения квантовой машины, ранее разработанный Бондаренко, Осборном и их другими коллегами используется для очистки данных, собранных с использованием инструментов квантовой метрологии. Это в конечном итоге привело к разработке квантовых автоэнкодеров, представленных в их недавней статье.
«Предположим, что у вас есть квантовый эксперимент, который дает вам ряд шумных квантовых состояний “, объяснили Бондаренко и Фельдман. «Предположим, кроме того, что у вас есть квантовый компьютер, который может обрабатывать эти состояния. Наш автоэнкодер представляет собой алгоритм, который сообщает квантовому компьютеру, как преобразовывать шумовые квантовые состояния из эксперимента, чтобы их шумить».
В качестве начального шага в своих исследованиях Бондаренко и Фельдманн оптимизировали свои алгоритмы, обучая их эффективно дешифровать квантовые данные. Поскольку удаленные ссылки эталонные состояния трудно получить или недоступны экспериментально, исследователи использовали трюк, который часто используется при оптимизации классических автоэнкодеров, которые являются типом алгоритмов машинного обучения без присмотра.
«Хитрость в том, что алгоритм написан таким образом, что он должен сократить информацию на пути от входа до его состояния выхода», – Бондаренко и Фельдман сказал. «Теперь показатель качества определяется как сходство состояния, обработанного автоэнкодером, и другого состояния с шумом из вашего эксперимента. Чтобы сделать эти состояния максимально похожими, автоэнкодер должен сохранять информацию, равную для обоих состояний ( их обычное бесшумное происхождение), при этом отбрасывая шум, который в каждом состоянии, исходящем из вашего эксперимента, различен. “
Исследователи провели многочисленные симуляции, в которых они создавали запутанные квантовые состояния с шумом. Во-первых, они использовали эти «экспериментальные» выходные данные для оптимизации вариационных параметров автоэнкодера. После того, как этот этап обучения был завершен, они смогли оценить производительность своих автоэнкодеров в шумоподавлении квантовых измерений.
«Красота нашего подхода заключается в его общности», – сказали Бондаренко и Фельдманн. «Вам не нужно заранее знать, как выглядит результат вашего эксперимента, а также не нужно характеризовать источники шума. Шумоподавление работает, даже если ваш экспериментальный результат не уникален, а зависит от некоторого экспериментального контрольного параметра, который является критическим для метрологические приложения. “
Цель численных экспериментов состояла в том, чтобы определить шум множества сильно запутанных квантовых состояний, которые подвержены ошибкам переворота и случайным унитарным шумам. Их алгоритмы достигли замечательных результатов и также могут быть реализованы на современных квантовых устройствах.
Для алгоритмов требуется квантовый компьютер который может обрабатывать конкретный экспериментальный результат (то есть квантовые данные). Например, если исследователь пытается использовать автоэнкодеры для шумоподавления данных, основанных на захваченных ионах, но его квантовый компьютер использует сверхпроводящие кубиты, ему также нужно будет использовать технику, которая может отображать состояния с одной физической платформы на другую.
“Эффективная подготовка наших автоэнкодеров требует нескольких испытаний, большого количества экспериментальных данных и способности измерять сходство между квантовыми состояниями “, сказал Бондаренко и Фельдманн. «Тем не менее, наш алгоритм не слишком расточителен в отношении этих ресурсов, и наши примеры достаточно малы, чтобы легко вписаться, по крайней мере, с точки зрения количества кубитов, во многие существующие квантовые компьютеры».
Хотя методы обучения квантовой машине и квантовые компьютеры хорошо себя зарекомендовали в различных задачах, исследователи все еще пытаются определить практические приложения, для которых они могут быть наиболее полезными. Недавнее исследование, проведенное Бондаренко и Фельдманном, предлагает четкий пример того, как методы обучения квантовой машине могут в конечном итоге использоваться в реальных сценариях.
«Было совершенно не очевидно, что наш подход сработает; он работает не только на небольших примерах, но работает очень хорошо», – сказали Бондаренко и Фельдманн.
В будущем квантовые автоэнкодеры, разработанные этими двумя исследователями, могут быть использованы для повышения надежности измерений, собранных с использованием квантовых – усовершенствованные инструменты, особенно те, которые используют запутанные состояния многих тел. Кроме того, они могут служить интерфейсом между различными квантовыми архитектурами.
«Разные квантовые устройства имеют разные достоинства», – говорили Бондаренко и Фельдманн. «Например, может быть проще использовать холодные атомы для измерения силы тяжести, фотоны отлично подходят для связи, а сверхпроводящие кубиты более полезны для квантовой обработки информации. Для преобразования информации, которой обмениваются эти разные платформы, нам нужны интерфейсы, которые сами по себе вводить ошибки. Наши автоэнкодеры могут помочь избавиться от этих обмененных данных. “
Бондаренко и Фельдманн сейчас пытаются разработать другой тип квантового алгоритма: рекуррентную квантовую нейронную сеть. Рекуррентная архитектура этого нового алгоритма должна позволять ему хранить информацию, которую он обрабатывал в прошлом, и иметь «память», которая позволила бы исследователям исправлять ошибки.
«Это может упростить квантовые эксперименты, потому что дрейфы будут отфильтровываться с помощью постобработки», – сказали Бондаренко и Фельдман. медленно меняющийся шум. Например, если кто-то посылает запутанные фотоны по воздуху, шум может отличаться между снежным и жарким днем. Однако погода не может измениться мгновенно, поэтому алгоритм с памятью может превзойти алгоритм без него. “
Керстин Беер и др. Обучение глубоких квантовых нейронных сетей, Nature Communications (2020). DOI: 10. 1038 / с 41467 – 020 – 14454 – 2 https://www.nature.com/articles/s41467 – 020 – 14454 – 2