Cientistas do Quantum Engineering Technology Labs (QETLabs) da Universidade de Bristol desenvolveram um algoritmo que fornece informações valiosas sobre a física subjacente aos sistemas quânticos, abrindo caminho para avanços significativos em computação quântica e detecção, e potencialmente virando uma nova página na investigação científica.

Na física, sistemas de partículas e sua evolução são descritos por modelos matemáticos, exigindo a interação bem-sucedida de argumentos teóricos e verificação experimental. Ainda mais complexa é a descrição dos sistemas de partículas interagindo entre si no nível da mecânica quântica, que geralmente é feito usando um modelo hamiltoniano. O processo de formulação de modelos hamiltonianos a partir de observações é ainda mais difícil pela natureza dos estados quânticos, que entram em colapso quando são feitas tentativas de inspecioná-los.

No papel, Modelos de aprendizagem de sistemas quânticos a partir de experimentos, publicado em Física da Natureza , a mecânica quântica do QET Labs de Bristol descreve um algoritmo que supera esses desafios agindo como um agente autônomo, usando aprendizado de máquina para fazer engenharia reversa de modelos hamiltonianos.

A equipe desenvolveu um novo protocolo para formular e validar modelos aproximados para sistemas quânticos de interesse. Seu algoritmo funciona de forma autônoma, projetar e realizar experimentos no sistema quântico-alvo, com os dados resultantes sendo realimentados no algoritmo. Ele propõe modelos hamiltonianos candidatos para descrever o sistema alvo, e distingue entre eles usando métricas estatísticas, a saber, fatores de Bayes.

Emocionante, a equipe foi capaz de demonstrar com sucesso a capacidade do algoritmo em um experimento quântico da vida real envolvendo centros de defeito em um diamante, uma plataforma bem estudada para processamento de informações quânticas e detecção quântica.

O algoritmo pode ser usado para auxiliar na caracterização automatizada de novos dispositivos, como sensores quânticos. Este desenvolvimento, portanto, representa um avanço significativo no desenvolvimento de tecnologias quânticas.

"Combinando o poder dos supercomputadores de hoje com o aprendizado de máquina, fomos capazes de descobrir automaticamente a estrutura dos sistemas quânticos. À medida que novos computadores / simuladores quânticos se tornam disponíveis, o algoritmo se torna mais interessante:primeiro, pode ajudar a verificar o desempenho do próprio dispositivo, em seguida, explore esses dispositivos para compreender sistemas cada vez maiores, "disse Brian Flynn, do QETLabs e do Quantum Engineering Center for Doctoral Training da University of Bristol.

"Este nível de automação torna possível entreter miríades de modelos hipotéticos antes de selecionar um ideal, uma tarefa que de outra forma seria assustadora para sistemas cuja complexidade está sempre aumentando, "disse Andreas Gentile, anteriormente do QETLabs de Bristol, agora na Qu &Co.

"Compreender a física subjacente e os modelos que descrevem os sistemas quânticos, nos ajudar a avançar nosso conhecimento de tecnologias adequadas para computação quântica e detecção quântica, "disse Sebastian Knauer, também anteriormente no QETLabs de Bristol e agora baseado na Faculdade de Física da Universidade de Viena.

Anthony Laing, co-diretor do QETLabs e professor associado na Escola de Física de Bristol, e um autor no papel, elogiou a equipe:"No passado, contamos com a genialidade e o trabalho árduo dos cientistas para descobrir uma nova física. Aqui, a equipe potencialmente virou uma nova página na investigação científica, conferindo às máquinas a capacidade de aprender com os experimentos e descobrir novas físicas. . As consequências podem ser de longo alcance, de fato. "

A próxima etapa da pesquisa é estender o algoritmo para explorar sistemas maiores, e diferentes classes de modelos quânticos que representam diferentes regimes físicos ou estruturas subjacentes.