Os computadores quânticos podem um dia resolver problemas algorítmicos que mesmo os maiores supercomputadores de hoje não conseguem gerenciar. Mas como você testa um computador quântico para garantir que está funcionando de forma confiável? Dependendo da tarefa algorítmica, isso pode ser um problema de certificação fácil ou muito difícil. Uma equipe internacional de pesquisadores deu um passo importante para resolver uma variação difícil deste problema, usando uma abordagem estatística desenvolvida na Universidade de Freiburg. Os resultados de seu estudo são publicados na última edição da Nature Photonics .

Seu exemplo de um problema de certificação difícil é classificar um número definido de fótons depois que eles passaram por um arranjo definido de vários elementos ópticos. O arranjo fornece a cada fóton uma série de caminhos de transmissão - dependendo se o fóton é refletido ou transmitido por um elemento óptico. A tarefa é prever a probabilidade de os fótons saírem do arranjo em pontos definidos, para um determinado posicionamento dos fótons na entrada do arranjo. Com o aumento do tamanho do arranjo óptico e o aumento do número de fótons enviados em seu caminho, o número de caminhos e distribuições possíveis dos fótons no final aumenta abruptamente como resultado do princípio da incerteza subjacente à mecânica quântica - de modo que não pode haver previsão da probabilidade exata usando os computadores disponíveis hoje. Os princípios físicos dizem que diferentes tipos de partículas - como fótons ou elétrons - devem produzir distribuições de probabilidade diferentes. Mas como os cientistas podem distinguir essas distribuições e diferentes arranjos ópticos, quando não há maneira de fazer cálculos exatos?

Uma abordagem desenvolvida no estudo atual agora torna possível, pela primeira vez, identificar assinaturas estatísticas características em distribuições de probabilidade incomensuráveis. Em vez de uma "impressão digital completa, "eles conseguiram destilar as informações de conjuntos de dados que foram reduzidos para torná-los utilizáveis. Usando essas informações, eles foram capazes de discriminar vários tipos de partículas e características distintas de arranjos ópticos. A equipe também mostrou que esse processo de destilação pode ser melhorado, baseando-se em técnicas estabelecidas de aprendizado de máquina, em que a física fornece as principais informações sobre quais conjuntos de dados devem ser usados ​​para buscar os padrões relevantes. E porque essa abordagem se torna mais precisa para um número maior de partículas, os pesquisadores esperam que suas descobertas nos levem a um passo importante mais perto de resolver o problema da certificação.