Prever as propriedades de sistemas quânticos complexos é uma etapa crucial no desenvolvimento de tecnologias quânticas avançadas. Embora equipes de pesquisa em todo o mundo já tenham desenvolvido uma série de técnicas para estudar as características dos sistemas quânticos, a maioria deles só provou ser eficaz em alguns casos.

Três pesquisadores do California Institute of Technology recentemente introduziram um novo método que pode ser usado para prever múltiplas propriedades de sistemas quânticos complexos a partir de um número limitado de medições. Seu método, descrito em um artigo publicado em Física da Natureza , foi considerado altamente eficiente e pode abrir novas possibilidades para estudar as maneiras pelas quais as máquinas processam informações quânticas.

"Durante minha graduação, minha pesquisa centrou-se em aprendizado de máquina estatístico e aprendizado profundo, "Hsin-Yuan Huang, um dos pesquisadores que realizou o estudo, disse Phys.org. "Uma base central para a era de aprendizado de máquina atual é a capacidade de usar hardware altamente paralelizado, como unidades de processamento gráfico (GPU) ou unidades de processamento de tensor (TPU). É natural imaginar como uma máquina de aprendizado ainda mais poderosa, capaz de controlar os processos da mecânica quântica, poderia surgir em um futuro distante. Essa era minha aspiração quando comecei meu doutorado. na Caltech. "

O primeiro passo para o desenvolvimento de máquinas mais avançadas baseadas em processos quânticos é obter uma melhor compreensão de como as tecnologias atuais processam e manipulam sistemas quânticos e informações quânticas. O método padrão para fazer isso, conhecido como tomografia de estado quântico, funciona aprendendo toda a descrição de um sistema quântico. Contudo, isso requer um número exponencial de medições, bem como considerável memória computacional e tempo.

Como resultado, ao usar tomografia de estado quântico, as máquinas são atualmente incapazes de suportar sistemas quânticos com mais de dezenas de qubits. Nos últimos anos, pesquisadores propuseram uma série de técnicas baseadas em redes neurais artificiais que poderiam aumentar significativamente o processamento de informações quânticas das máquinas. Infelizmente, Contudo, essas técnicas não generalizam bem em todos os casos, e os requisitos específicos que permitem que eles funcionem ainda não estão claros.

"Para construir uma base rigorosa de como as máquinas podem perceber os sistemas quânticos, combinamos meu conhecimento anterior sobre teoria de aprendizagem estatística com a experiência de Richard Kueng e John Preskill em uma bela teoria matemática conhecida como design-t unitário, "Huang disse." A teoria do aprendizado estatístico é a teoria que sustenta como a máquina poderia aprender um modelo aproximado sobre como o mundo se comporta, enquanto o t-design unitário é uma teoria matemática que fundamenta como as informações quânticas se misturam, que é fundamental para entender o caos quântico de muitos corpos, em particular, buracos negros quânticos. "

Ao combinar o aprendizado estatístico e a teoria do t-design unitário, os pesquisadores foram capazes de conceber um procedimento rigoroso e eficiente que permite às máquinas clássicas produzir descrições clássicas aproximadas de sistemas quânticos de muitos corpos. Essas descrições podem ser usadas para prever várias propriedades dos sistemas quânticos que estão sendo estudados, realizando um número mínimo de medições quânticas.

"Para construir uma descrição clássica aproximada do estado quântico, realizamos um procedimento de medição aleatório dado a seguir, "Huang disse." Nós amostramos algumas evoluções quânticas aleatórias que seriam aplicadas ao desconhecido sistema quântico de muitos corpos. Essas evoluções quânticas aleatórias são tipicamente caóticas e embaralhariam as informações quânticas armazenadas no sistema quântico. "

As evoluções quânticas aleatórias amostradas pelos pesquisadores, em última análise, permitem o uso da teoria matemática do projeto t unitário para estudar sistemas quânticos caóticos como os buracos negros quânticos. Além disso, Huang e seus colegas examinaram uma série de sistemas quânticos embaralhados aleatoriamente usando uma ferramenta de medição que provoca o colapso da função de onda, um processo que transforma um sistema quântico em um sistema clássico. Finalmente, eles combinaram as evoluções quânticas aleatórias com as representações clássicas do sistema derivadas de suas medições, produzindo uma descrição clássica aproximada do sistema quântico de interesse.

"Intuitivamente, pode-se pensar neste procedimento da seguinte maneira, "Huang explicou." Temos um objeto de dimensão elevada exponencialmente, o sistema quântico de muitos corpos, isso é muito difícil de entender por uma máquina clássica. Realizamos várias projeções aleatórias deste objeto de dimensão extremamente alta para um espaço dimensional muito inferior através do uso de evolução quântica aleatória / caótica. O conjunto de projeções aleatórias fornece uma imagem aproximada de como este objeto de dimensão exponencialmente alta se parece, e a representação clássica nos permite prever várias propriedades do sistema quântico de muitos corpos. "

Huang e seus colegas provaram que, combinando construções de aprendizagem estatística e a teoria do embaralhamento de informações quânticas, eles poderiam prever com precisão as propriedades M de um sistema quântico com base apenas em medições de log (M). Em outras palavras, seu método pode prever um número exponencial de propriedades simplesmente medindo repetidamente aspectos específicos de um sistema quântico por um número específico de vezes.

"O entendimento tradicional é que quando queremos medir propriedades M, temos que medir o sistema quântico M vezes, "Disse Huang." Isso ocorre porque, depois de medirmos uma propriedade do sistema quântico, o sistema quântico entraria em colapso e se tornaria clássico. Depois que o sistema quântico se tornou clássico, não podemos medir outras propriedades com o sistema clássico resultante. Nossa abordagem evita isso realizando medições geradas aleatoriamente e inferindo a propriedade desejada combinando esses dados de medição. "

O estudo explica em parte o excelente desempenho alcançado por técnicas de aprendizado de máquina (ML) desenvolvidas recentemente na previsão de propriedades de sistemas quânticos. Além disso, seu design exclusivo torna o método desenvolvido por eles significativamente mais rápido do que as técnicas de ML existentes, ao mesmo tempo que permite prever propriedades de sistemas quânticos de muitos corpos com maior precisão.

"Nosso estudo mostra rigorosamente que há muito mais informações ocultas nos dados obtidos a partir de medições quânticas do que esperávamos originalmente, "Huang disse." Combinando adequadamente esses dados, podemos inferir essas informações ocultas e obter muito mais conhecimento sobre o sistema quântico. Isso implica na importância das técnicas de ciência de dados para o desenvolvimento da tecnologia quântica. "

Os resultados dos testes realizados pela equipe sugerem que, para aproveitar o poder do aprendizado de máquina, é necessário primeiro atingir uma boa compreensão dos mecanismos intrínsecos da física quântica. Huang e seus colegas mostraram que, embora a aplicação direta de técnicas de aprendizado de máquina padrão possa levar a resultados satisfatórios, a combinação orgânica da matemática por trás do aprendizado de máquina e da física quântica resulta em um desempenho de processamento de informações quânticas muito melhor.

"Dado um terreno rigoroso para perceber sistemas quânticos com máquinas clássicas, meu plano pessoal é agora dar o próximo passo em direção à criação de uma máquina de aprendizagem capaz de manipular e aproveitar os processos da mecânica quântica, "Huang disse." Em particular, queremos fornecer uma compreensão sólida de como as máquinas podem aprender a resolver problemas quânticos de muitos corpos, como classificar fases quânticas da matéria ou encontrar estados fundamentais de muitos corpos quânticos. "

Este novo método para construir representações clássicas de sistemas quânticos pode abrir novas possibilidades para o uso de aprendizado de máquina para resolver problemas desafiadores envolvendo sistemas quânticos de muitos corpos. Para lidar com esses problemas de forma mais eficiente, Contudo, as máquinas também precisariam ser capazes de simular uma série de cálculos complexos, o que exigiria uma síntese adicional entre a matemática subjacente ao aprendizado de máquina e a física quântica. Em seus próximos estudos, Huang e seus colegas planejam explorar novas técnicas que possam permitir essa síntese.

"Ao mesmo tempo, também estamos trabalhando no refinamento e no desenvolvimento de novas ferramentas para inferir informações ocultas dos dados coletados por experimentalistas quânticos, "Huang disse." A limitação física nos sistemas reais oferece desafios interessantes para o desenvolvimento de técnicas mais avançadas. Isso permitiria ainda mais aos experimentalistas ver o que eles originalmente não podiam e ajudar a avançar o estado atual da tecnologia quântica. "

© 2020 Science X Network