Ученые Сколтеха предложили использовать нейросетевые алгоритмы для квантовой томографии — для восстановления исходного состояния по измеренным данным.
Машинное обучение используют для решения проблем квантовой оптики / ©enginclub.ru
Методы машинного обучения, ставшие в последнее время универсальным инструментом интеллектуального анализа данных, продолжают активную экспансию во все новые области. Изначально основанные на распознавании изображений, эти методы позволяют эффективно уменьшать размерность многомерных массивов данных, что делает методику крайне привлекательной в контексте решения задач классической и квантовой физики многих тел. В своей недавней работе ученые Сколтеха предложили использовать нейросетевые алгоритмы для квантовой томографии, иными словами для решения обратной задачи, то есть задачи о восстановлении исходного состояния по измеренным данным.
Несовершенство измерительной аппаратуры, а также случайные ошибки, неизменно сопутствующие любому акту измерения, делают квантовую томографию чрезвычайно сложной процедурой даже тогда, когда нам полностью известны модель, описывающая работу измерительного устройства, и то, как было приготовлено входное состояние. В тесном сотрудничестве с коллегами из Центра квантовых технологий МГУ исследователи из Сколтеха продемонстрировали, что использование нейросетевых алгоритмов существенно улучшает точность реконструкции квантового состояния. Результаты исследований опубликованы в одном из наиболее авторитетных научных изданий — журнале npj Quantum Information, входящем в семейство Nature.
Аспирант Сколтеха Адриано Макароне Палмьери, ведущий автор исследования, описывает развитый в работе подход, как новую методологию, позволяющую получить более глубокое понимание. Прежде чем влиться в коллектив Сколтеха, Адриано изучал физику и получил степень магистра в Болонском университете, широко известном не только в Италии, но и далеко за ее пределами. К совместной работе над проектом Адриано привлек своего коллегу из Милана Федерико Бианки, работающего сейчас в Университете Боккони.
Федерико, получивший первоклассное образование и степень доктора в области машинного обучения и систем искусственного интеллекта в Миланском университете Бикокка, характеризует полученные результаты как убедительный пример научного открытия в области квантовой физики, полученного на основе интеллектуального анализа экспериментальных данных. Несмотря на то, что до того, как присоединиться к проекту, Федерико не сталкивался с задачами квантовой физики, его опыт программиста-исследователя позволил иначе взглянуть на имеющиеся экспериментальные данные. Адриано и Федерико тесно взаимодействовали с другими сотрудниками научной группы Deep Quantum Labs Сколтеха Джейкоба Биамонте, включая Дмитрия Юдина.
Он описывает результаты проекта как первый важный шаг к практическому использованию нейросетевых алгоритмов в экспериментальных задачах квантовой томографии с учетом погрешностей, неизбежно сопровождающих любой измерительный процесс, и зашумленности полученных данных. Дмитрий добавляет, что квантовая томография используется повсеместно для калибровки и тестирования работы квантовых устройств.
Исследовательская работа в этом направлении была бы невозможна без поддержки со стороны коллег-экспериментаторов из Центра квантовых технологий МГУ, а именно аспиранта Егора Ковлакова и его научных руководителей Станислава Страупе и Сергея Кулика. На протяжении последних лет они активно исследуют различные методы квантовой томографии. Станислав отмечает, что к их удивлению глубокое обучение превзошло доступные на сегодняшний день методы в реальном эксперименте. Научная группа из МГУ занималась подготовкой и измерением квантовых состояний высокой размерности на экспериментальной платформе, основанной на пространственных состояниях фотонов.
Экспериментальные ошибки в подготовке состояний на входе и измерениях неизбежно сказываются на результатах, и ситуация становится хуже с увеличением размерности. В то же время дальнейшее увеличение размерности доступных квантовых состояний чрезвычайно важно для квантовых протоколов связи и особенно для квантовых вычислений — вот, где полезны методы машинного обучения.
Исследователи Сколтеха обучили глубокую нейронную сеть проводить анализ зашумленных экспериментальных данных и эффективно обучили шумоподавлению, значительно улучшая качество восстановления квантового состояния.
Обнадеживающие результаты, полученные научными коллективами Сколтеха и МГУ, позволяет им с высокой уверенностью заявить, что методы машинного обучения будут играть важную роль в будущем развитии квантовых технологий.
