Нейронные сети в десятки раз ускоряют измерения запутанности квантовых систем

Новая методика позволяет обойтись без полной характеристики квантовых состояний и может быть полезна для масштабных квантовых технологий, в которых количественная характеристика запутанности является решающим фактором, но ограниченные ресурсы при этом делают полную оценку состояния нереальной.

Степень запутывания любой из двух частиц в системе может быть определена одним числом. Для того чтобы узнать точное значение этого числа, необходимо восстановить волновую функцию. Но это разрушает квантовое состояние, и поэтому приходится проводить множество измерений в одном и том же формате.

Квантовая томография - это аналог классической томографии. Для построения трехмерного изображения используется серия двухмерных. Это неизбежное следствие квантовой теории.

Однако неопределенность квантового измерения делает очень сложным измерение запутанности, к примеру, кубитов в квантовых процессорах, так как для этого требуется провести многоквантовую томографию каждой волны на каждом кубите. Даже для маленького процессора это может занять несколько дней.

Несмотря на то, что для вычисления квантовой запутанности требуется полная компьютерная томография состояния, существуют алгоритмы, позволяющие угадать его с помощью частичной информации.

В новом исследовании ученые отказались от понятия "квантовой реконструкции состояния" в пользу определения квантовой структуры, ориентируясь только на запутанность.

Для этого ученые разработали глубокие нейронные сети, которые позволяют изучать запутанные квантовые состояния, и обучили их на численно сгенерированных данных.

Сети применили эти материалы для того, чтобы научиться делать более точную оценку запутанности по заданным наборам измерений. Затем ученые проверили алгоритм на точность, используя второй набор смоделированных данных. Он выдал в десять раз меньше ошибок, чем стандартный алгоритм оценки квантовых томографов.

Наконец, ученые в ходе эксперимента измерили две запутанные системы: двухфотонный источник со спонтанной параметрической нисходящей конверсией и полупроводниковую квантовую точку с резонансной накачкой.

По мере того как исследователи удаляли все больше и больше измерений, они сравнивали ошибки в предсказаниях созданных глубоких нейронных сетей с ошибками, полученными с помощью того же традиционного алгоритма. Ошибки в нейронных сетях выявлялись в десятки раз меньше.