p Como o aprendizado de máquina continua a superar o desempenho humano em um número crescente de tarefas, cientistas da Skoltech aplicaram o aprendizado profundo para reconstruir propriedades quânticas de sistemas ópticos. p Por meio de uma colaboração entre os laboratórios de pesquisa de óptica quântica da Universidade Estadual de Moscou, liderado por Sergey Kulik, e membros do Deep Quantum Laboratory da Skoltech do CPQM, liderado por Jacob Biamonte, os cientistas aplicaram com sucesso o aprendizado de máquina ao problema de reconstrução de estado.

p Suas descobertas foram relatadas em npj Quantum Information , e são os primeiros a mostrar que o aprendizado de máquina pode reconstruir estados quânticos a partir de dados experimentais na presença de ruído e erros de detector.

p A equipe MSU gerou dados com uma plataforma experimental baseada em estados espaciais de fótons para preparar e medir estados quânticos de alta dimensão. Erros experimentais na preparação do estado e medições inevitavelmente atormentam os resultados e a situação piora com o aumento da dimensionalidade. Ao mesmo tempo, estender a dimensionalidade de estados quânticos acessíveis é extremamente importante para protocolos de comunicação quântica, e especialmente a computação quântica. É aqui que as técnicas de aprendizado de máquina são úteis. A equipe Skoltech implementou uma rede neural profunda implementada para analisar os dados experimentais ruidosos e aprender a realizar a eliminação de ruído de forma eficiente, melhorando significativamente a qualidade da reconstrução do estado quântico.

p Skoltech Ph.D. aluno Adriano Macarone Palmieri, autor principal do estudo, descreveu as descobertas como "uma nova porta aberta para percepções mais profundas". Adriano tem mestrado em física em Bolonha e ingressou na Skoltech da Itália, onde trabalhou como cientista de dados.

p Trabalhando em estreita colaboração com o Ph.D. da MSU aluna, Egor Kovlakov, Adriano procurou seu ex-colega e atual pós-doutorado na Universidade Bocconi, Federico Bianchi. Federico, um especialista em aprendizado de máquina, que descreve as descobertas como "um bom exemplo de descoberta baseada em dados que combina aprendizado de máquina e física quântica". Embora Federico não tivesse experiência com mecânica quântica antes de ingressar neste estudo, ele viu o problema em termos de informação e ajudou a criar um novo modelo do sistema baseado em redes neurais de feed-forward profundas.

p Adriano e Federico trabalharam em estreita colaboração com muitos membros do Deep Quantum Laboratory, incluindo Dmitry Yudin, que descreve as descobertas como um primeiro passo importante para o uso prático da arquitetura de rede neural em um laboratório para melhorar a tomografia quântica com configurações quânticas disponíveis de dados experimentais ruidosos. Tal processamento de informação quântica é usado de forma onipresente em dispositivos quânticos paradigmáticos para computação quântica e otimização. No futuro, os pesquisadores planejam enfrentar outros desafios de aumentar a escala de dispositivos de informação quântica, e esperam que este trabalho seja fundamental em suas pesquisas futuras.

p Esses resultados não teriam sido possíveis sem a pesquisa experimental de Egor Kovlakov, apoiado por Stanislav Straupe e Sergei Kuliik, da MSU. Nos últimos anos, eles aplicaram uma ampla gama de técnicas ao problema de reconstrução do estado. Para surpresa dos co-autores, o aprendizado profundo superou esses métodos de última geração em um experimento real.

p A equipe do Deep Quantum Laboratory da Skoltech acredita que as técnicas de aprendizado de máquina desempenharão um papel essencial no futuro desenvolvimento de tecnologias quânticas. À medida que os dispositivos quânticos disponíveis se tornam cada vez mais complexos, fica cada vez mais difícil controlar todos os parâmetros no nível de precisão desejado. Isso se revelou um campo de aplicação muito natural para técnicas de aprendizado profundo e aprendizado de máquina em geral.