As técnicas de aprendizado de máquina têm se mostrado muito promissoras para a análise de dados em diversos campos, com muitas aplicações potenciais. Contudo, pesquisadores descobriram que aplicar esses métodos a problemas de física quântica é muito mais desafiador devido à complexidade exponencial dos sistemas de muitos corpos.

Os sistemas quânticos de muitos corpos são estruturas essencialmente microscópicas compostas de várias partículas em interação. Embora os estudos de física quântica tenham se concentrado no comportamento coletivo desses sistemas, usar o aprendizado de máquina nessas investigações tem se mostrado muito difícil.

Com isso em mente, uma equipe de pesquisadores da Universidade de Harvard desenvolveu recentemente um algoritmo baseado em circuitos quânticos inspirado em redes neurais convolucionais (CNNs), uma técnica popular de aprendizado de máquina que alcançou resultados notáveis ​​em uma variedade de campos. Em seu jornal, publicado em Física da Natureza , os pesquisadores delinearam esta nova arquitetura e avaliaram sua precisão no reconhecimento de estados quânticos associados a um 1-D, fase topológica protegida por simetria.

"Nosso trabalho é amplamente motivado pelo recente progresso experimental para construir computadores quânticos e o desenvolvimento de inteligência artificial baseada em métodos de rede neural, "Soonwon Choi, um dos pesquisadores que realizou o estudo, disse a Phys.org. "Em algum sentido, a ideia de combinar técnicas de aprendizado de máquina e computadores / simuladores quânticos é muito natural:em ambos os campos, estamos tentando extrair informações significativas de uma grande quantidade de dados complexos. "

Como um físico teórico investigando sistemas quânticos de muitos corpos, Choi frequentemente se perguntava se não haveria uma maneira mais eficiente de analisar a grande quantidade de dados complexos obtidos por meio de simuladores quânticos. Redes neurais artificiais logo chamaram sua atenção, pois levaram a resultados notáveis ​​em várias outras tarefas.

Transformar as abordagens tradicionais de aprendizado de máquina para que pudessem ser aplicadas com eficácia na física quântica, Contudo, parecia ser um desafio. A principal razão para isso é que os simuladores quânticos existentes são muito pequenos, portanto, eles são incapazes de suportar CNNs em grande escala e outras técnicas de aprendizado de máquina que estão sendo usadas em computadores convencionais.

"Tínhamos que garantir que todos os recursos importantes das técnicas convencionais de aprendizado de máquina fossem mantidos enquanto nosso novo algoritmo fosse o mais compacto possível, "Choi explicou." Um dos objetivos do presente trabalho era generalizar um específico, conhecida arquitetura de aprendizado de máquina chamada rede neural convolucional (CNN) para um circuito quântico compacto, e demonstrar suas capacidades com exemplos simplistas, mas significativos. "

Em seu estudo, Choi e seus colegas presumiram que as CNNs devem seu grande sucesso a dois importantes recursos. Em primeiro lugar, o fato de serem feitos de unidades locais menores (ou seja, múltiplas camadas de portas quânticas quase locais). Em segundo lugar, sua capacidade de processar dados de entrada de forma hierárquica. Os pesquisadores encontraram uma conexão entre essas duas características e dois conceitos físicos renomados, conhecidos como localidade e renormalização.

"A localidade é natural na física porque acreditamos que a lei da natureza é fundamentalmente local, "Choi disse." Renormalização, por outro lado, é um conceito muito interessante. Na física, certas características universais de um sistema quântico de muitos corpos, como a fase (por exemplo, líquido, gás, sólido, etc.) de materiais não dependem (ou não são sensíveis a) informações microscopicamente detalhadas do sistema, mas sim governado por apenas alguns parâmetros ocultos importantes. Renormalização é uma técnica teórica para identificar esses parâmetros importantes a partir da descrição microscópica de um sistema quântico. "

Os pesquisadores observaram que os processos de renormalização compartilham algumas semelhanças com os aplicativos de reconhecimento de padrões, particularmente aqueles em que o aprendizado de máquina é usado para identificar objetos em imagens. Por exemplo, quando um CNN treinado para tarefas de reconhecimento de padrões analisa fotos de animais, ele se concentra em um recurso universal (ou seja, tentando identificar qual animal é retratado na imagem), independentemente de animais individuais do mesmo tipo (por exemplo, gatos) parecem ligeiramente diferentes.

Este processo é um pouco semelhante às técnicas de renormalização em física teórica, que também pode ajudar a destilar informações universais. Em seu estudo, Choi e seus colegas tentaram desenvolver uma arquitetura com as mesmas qualidades-chave das CNNs, mas isso também seria aplicável a problemas de física quântica.

"O circuito quântico resultante envolve apenas log (n) número de parâmetros a serem otimizados para dados de entrada de n-qubit, que é uma melhoria exponencial dupla em comparação com uma abordagem ingênua, em que exp (n) número de parâmetros são otimizados, "Choi explicou." Quando o número de parâmetros a serem otimizados torna-se tão pequeno, pode-se preocupar que nosso circuito não seja capaz de tarefas complexas de processamento de informações. Contudo, demonstramos que, apesar de seu pequeno tamanho, nosso CNN quântico ainda é capaz de reconhecer diferentes fases quânticas e projetar esquemas de correção de erros quânticos. "

Os pesquisadores avaliaram a técnica que desenvolveram, chamada rede neural convolucional quântica (QCNN), em um problema específico da física quântica que envolvia o reconhecimento de estados quânticos associados a uma fase topológica protegida por simetria 1-D. Notavelmente, sua técnica foi capaz de reconhecer esses estados quânticos, superando as abordagens existentes. Por ser bastante compacto, o QCNN também poderia ser potencialmente implementado em pequenos computadores quânticos.

"Na minha opinião, a descoberta mais significativa em nosso trabalho é a conexão entre conceitos de física bem conhecidos, renormalização (ou mais precisamente, renormalização de emaranhamento multiescala ansatz), e uma técnica de processamento de informações de sucesso em inteligência artificial, CNN, "Choi disse." Conexões semelhantes já foram sugeridas vários anos atrás, mas aqui comprovamos com sucesso a conexão, demonstrando-a explicitamente com um exemplo claro. "

Choi e seus colegas estão entre os primeiros a criar com sucesso uma arquitetura inspirada na CNN que incorpora a física quântica. Os exemplos descritos em seu artigo também são simples o suficiente para serem aplicados experimentalmente a dispositivos quânticos existentes e futuros. Seus resultados sugerem que a renormalização pode ser uma técnica promissora de processamento de informações quânticas e, portanto, pretendem explorar mais essa ideia.

"Demonstramos que nosso método permite projetar esquemas de correção de erros quânticos sob medida para um determinado sistema experimental, "Choi disse." Seria muito emocionante ver sua ação na saída das plataformas de computação quântica e melhorar seu desempenho. "

Em seu trabalho futuro, Choi e seus colegas tentarão primeiro usar suas descobertas para desenvolver novos computadores quânticos. Além disso, eles gostariam de realizar mais pesquisas investigando a relação entre CNNs ou outros métodos baseados em redes neurais e técnicas de renormalização.

"Embora tenhamos demonstrado um bom exemplo para sistemas quânticos unidimensionais, um estudo mais aprofundado da conexão em sua generalidade completa ainda está faltando, "Choi acrescentou." Em particular, estudar a conexão em sistemas quânticos bidimensionais seria uma direção futura emocionante. "

© 2019 Science X Network