Muitos grupos de pesquisa em todo o mundo estão tentando desenvolver instrumentos para coletar medições de alta precisão, como relógios atômicos ou gravímetros. Alguns desses pesquisadores tentaram conseguir isso usando estados quânticos emaranhados, que têm uma maior sensibilidade a quantidades do que os estados clássicos ou não emaranhados.

Devido a esta alta sensibilidade, Contudo, estados quânticos emaranhados também são mais suscetíveis a captar ruído (ou seja, sinais não relacionados) durante a coleta de medições. Isso pode impedir o desenvolvimento de dispositivos metrológicos aprimorados quânticos precisos e confiáveis.

Para superar essa limitação, dois pesquisadores da Leibniz Universität Hannover, na Alemanha, desenvolveram recentemente algoritmos de aprendizado de máquina quântico que podem ser usados ​​para diminuir o ruído de dados quânticos. Esses algoritmos, apresentado em um artigo publicado em Cartas de revisão física , poderia ajudar a produzir dados mais confiáveis ​​usando relógios quânticos ou outras ferramentas de medição baseadas em estados quânticos emaranhados.

Dmytro Bondarenko, um dos pesquisadores envolvidos no estudo, já estava trabalhando em um novo algoritmo baseado em aprendizado de máquina quântica sob a supervisão do Professor Tobias Osborne na Leibniz Universität, Hannover. Neste novo estudo, Bondarenko e sua colega Polina Feldmann decidiram investigar a viabilidade de usar esse algoritmo para diminuir o ruído dos dados coletados por instrumentos quânticos.

"O aprendizado de máquina quântico é um tópico muito promissor, pois pode combinar a versatilidade do aprendizado de máquina com o poder dos algoritmos quânticos, "Bondarenko e Feldmann disseram ao Phys.org por e-mail." O aprendizado de máquina é um método onipresente para análise de dados. "

Assim como os algoritmos de aprendizado de máquina tradicionais, algoritmos de aprendizado de máquina quântico dependem de uma série de parâmetros variacionais que precisam ser otimizados antes que um algoritmo possa ser usado para analisar dados. Para aprender os parâmetros corretos, o algoritmo precisa primeiro ser treinado em dados relacionados à tarefa que foi projetado para concluir (por exemplo, reconhecimento de padrões, classificação de imagem, etc.).

"Quando dizemos aprendizado de máquina quântica, queremos dizer que a entrada e a saída do algoritmo são estados quânticos, por exemplo, de algum número de qubits (bits quânticos), que pode ser realizado, por exemplo, usando supercondutores, "Bondarenko e Feldmann disseram." O algoritmo que mapeia o estado de entrada para o estado de saída deve ser implementado em um computador quântico. Os parâmetros variacionais, que deve ser otimizado, são parâmetros clássicos das transformações que são realizadas no computador quântico. "

Os dois pesquisadores queriam testar se o algoritmo de inclinação da máquina quântica desenvolvido anteriormente por Bondarenko, Osborne e seus outros colegas podem ser usados ​​para limpar dados coletados usando ferramentas de metrologia aprimorada quântica. Isso levou ao desenvolvimento dos autoencoders quânticos introduzidos em seu artigo recente.

"Suponha que você tenha um experimento quântico que forneça uma série de estados quânticos ruidosos, "Bondarenko e Feldmann explicaram." Suponha, além disso, que você tenha um computador quântico que pode processar esses estados. Nosso autoencoder é um algoritmo que diz ao computador quântico como transformar os estados quânticos ruidosos do experimento para eliminá-los. "

Como uma etapa inicial em sua pesquisa, Bondarenko e Feldmann otimizaram seus algoritmos, treiná-los para diminuir efetivamente o ruído dos dados quânticos. Como os estados de referência com ruído são difíceis de obter ou indisponíveis experimentalmente, os pesquisadores usaram um truque que é frequentemente usado ao otimizar autoencoders clássicos, que são um tipo de algoritmo de aprendizado de máquina não supervisionado.

"O truque é que o algoritmo é escrito de tal forma que tem que reduzir as informações no caminho desde a entrada até o estado de saída, "Bondarenko e Feldmann disseram." Agora, a figura de mérito é definida como a semelhança do estado processado pelo autoencoder e outro estado ruidoso de seu experimento. Para tornar esses estados o mais semelhantes possível, o autoencoder deve manter a informação que é igual para ambos os estados (sua origem comum sem ruído), enquanto descarta o ruído, que, em cada estado proveniente de seu experimento, é diferente."

Os pesquisadores realizaram inúmeras simulações nas quais produziram estados quânticos emaranhados ruidosos. Primeiro, eles usaram essas saídas 'experimentais' para otimizar os parâmetros variacionais do autoencoder. Uma vez que esta fase de treinamento foi concluída, eles foram capazes de avaliar o desempenho de seus autoencoders em medições quânticas de redução de ruído.

"A beleza da nossa abordagem é a generalidade, "Bondarenko e Feldmann disseram." Você não precisa saber de antemão como é o resultado de seu experimento, nem você tem que caracterizar suas fontes de ruído. A remoção de ruído funciona mesmo se sua saída experimental não for exclusiva, mas depende de algum parâmetro de controle experimental, o que é crucial para aplicações metrológicas. "

O objetivo dos experimentos numéricos era diminuir o ruído de uma série de estados quânticos altamente emaranhados que estão sujeitos a erros de spin-flip e ruído unitário aleatório. Seus algoritmos alcançaram resultados notáveis ​​e também podem ser implementados em dispositivos quânticos atuais.

Os algoritmos requerem um computador quântico que pode processar a saída experimental específica (ou seja, dados quânticos). Por exemplo, se um pesquisador está tentando usar os codificadores automáticos para diminuir o ruído de dados com base em íons presos, mas seu computador quântico usa qubits supercondutores, ela também precisará usar uma técnica que pode mapear estados de uma plataforma física para outra.

"O treinamento eficaz de nossos codificadores automáticos requer vários testes, uma quantidade considerável de dados experimentais, e a capacidade de medir a semelhança entre os estados quânticos, "Bondarenko e Feldmann disseram." Mesmo assim, nosso algoritmo não desperdiça muito em relação a esses recursos e nossos exemplos são pequenos o suficiente para caber facilmente, pelo menos em termos de número de qubits, em muitos computadores quânticos existentes. "

Embora as técnicas de aprendizado de máquina quântica e os computadores quânticos tenham demonstrado um bom desempenho em uma variedade de tarefas, os pesquisadores ainda estão tentando identificar as aplicações práticas para as quais eles poderiam ser mais úteis. O estudo recente realizado por Bondarenko e Feldmann oferece um exemplo claro de como os métodos de aprendizado de máquina quântica podem ser usados ​​em cenários do mundo real.

"Não era de todo óbvio que a nossa abordagem funcionaria; e faz mais do que apenas funcionar, pelo menos em nossos pequenos exemplos, funciona extremamente bem, "Bondarenko e Feldmann disseram.

No futuro, os autoencoders quânticos desenvolvidos por esses dois pesquisadores podem ser usados ​​para melhorar a confiabilidade das medições coletadas usando ferramentas aprimoradas quânticas, particularmente aqueles que usam estados emaranhados de muitos corpos. Além disso, eles podem servir como interfaces entre diferentes arquiteturas quânticas.

"Dispositivos quânticos diferentes têm méritos diferentes, "Bondarenko e Feldmann disseram." Por exemplo, pode ser mais fácil usar átomos frios para medir a gravidade, fótons são ótimos para comunicação e qubits supercondutores são mais úteis para o processamento de informações quânticas. Para converter as informações trocadas entre essas diferentes plataformas, precisamos de interfaces, que, por si próprios, introduzir erros. Nossos codificadores automáticos podem ajudar a diminuir o ruído desses dados trocados. "

Bondarenko e Feldmann estão agora tentando desenvolver um tipo diferente de algoritmo quântico:uma rede neural quântica recorrente. A arquitetura recorrente deste novo algoritmo deve permitir que ele armazene informações processadas no passado e tenha uma 'memória, "o que permitiria aos pesquisadores corrigir os desvios.

"Isso pode tornar os experimentos quânticos mais simples porque os desvios serão filtrados pelo pós-processamento, "Bondarenko e Feldmann disseram." Outra aplicação das redes neurais recorrentes é a redução de ruído no caso de ruídos que mudam lentamente. Por exemplo, se alguém envia fótons emaranhados pelo ar, o ruído pode diferir entre um dia nublado com neve e um dia quente. Contudo, o tempo não pode mudar instantaneamente, portanto, um algoritmo com memória pode superar um sem. "

© 2020 Science X Network