• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  science >> Science >  >> Physique
    Un algorithme d'apprentissage automatique aide à démêler la physique sous-jacente aux systèmes quantiques

    La mise en place du centre de vacance azote, qui a été utilisé pour la première démonstration expérimentale de QMLA. Crédit :Gentile et al.

    Des scientifiques du Quantum Engineering Technology Labs (QETLabs) de l'Université de Bristol ont développé un algorithme qui fournit des informations précieuses sur la physique sous-jacente aux systèmes quantiques, ouvrant la voie à des avancées significatives dans le calcul et la détection quantiques, et potentiellement tourner une nouvelle page dans la recherche scientifique.

    En physique, les systèmes de particules et leur évolution sont décrits par des modèles mathématiques, nécessitant l'interaction réussie d'arguments théoriques et de vérification expérimentale. Encore plus complexe est la description des systèmes de particules interagissant les unes avec les autres au niveau de la mécanique quantique, ce qui est souvent fait en utilisant un modèle hamiltonien. Le processus de formulation de modèles hamiltoniens à partir d'observations est rendu encore plus difficile par la nature des états quantiques, qui s'effondrent lorsqu'on tente de les inspecter.

    Dans le journal, Apprendre des modèles de systèmes quantiques à partir d'expériences, Publié dans Physique de la nature , la mécanique quantique des QET Labs de Bristol décrit un algorithme qui surmonte ces défis en agissant comme un agent autonome, utiliser l'apprentissage automatique pour désosser les modèles hamiltoniens.

    L'équipe a développé un nouveau protocole pour formuler et valider des modèles approximatifs pour les systèmes quantiques d'intérêt. Leur algorithme fonctionne de manière autonome, concevoir et réaliser des expériences sur le système quantique ciblé, les données résultantes étant réintroduites dans l'algorithme. Il propose des modèles hamiltoniens candidats pour décrire le système cible, et les distingue à l'aide de métriques statistiques, à savoir les facteurs de Bayes.

    Excitant, l'équipe a réussi à démontrer la capacité de l'algorithme sur une expérience quantique réelle impliquant des centres de défauts dans un diamant, une plate-forme bien étudiée pour le traitement de l'information quantique et la détection quantique.

    L'algorithme pourrait être utilisé pour faciliter la caractérisation automatisée de nouveaux dispositifs, comme les capteurs quantiques. Ce développement représente donc une avancée significative dans le développement des technologies quantiques.

    "En combinant la puissance des supercalculateurs d'aujourd'hui avec l'apprentissage automatique, nous avons pu découvrir automatiquement la structure dans les systèmes quantiques. À mesure que de nouveaux ordinateurs/simulateurs quantiques deviennent disponibles, l'algorithme devient plus excitant :il peut d'abord aider à vérifier les performances de l'appareil lui-même, puis exploiter ces appareils pour comprendre des systèmes toujours plus grands, " a déclaré Brian Flynn des QETLabs et du Quantum Engineering Center for Doctoral Training de l'Université de Bristol.

    "Ce niveau d'automatisation permet de divertir des myriades de modèles hypothétiques avant d'en sélectionner un optimal, une tâche qui serait autrement intimidante pour des systèmes dont la complexité ne cesse de croître, " dit Andreas Gentile, anciennement des QETLabs de Bristol, maintenant chez Qu &Co.

    "Comprendre la physique sous-jacente et les modèles décrivant les systèmes quantiques, nous aider à faire progresser nos connaissances des technologies adaptées au calcul quantique et à la détection quantique, " a déclaré Sébastien Knauer, également anciennement des QETLabs de Bristol et maintenant basé à la Faculté de physique de l'Université de Vienne.

    Anthony Laing, co-directeur de QETLabs et professeur agrégé à l'École de physique de Bristol, et un auteur sur le papier, a félicité l'équipe :« Dans le passé, nous nous sommes appuyés sur le génie et le travail acharné des scientifiques pour découvrir une nouvelle physique. Ici, l'équipe a potentiellement tourné une nouvelle page de la recherche scientifique en donnant aux machines la capacité d'apprendre des expériences et de découvrir une nouvelle physique. . Les conséquences pourraient être de grande envergure en effet. "

    La prochaine étape de la recherche consiste à étendre l'algorithme pour explorer des systèmes plus grands, et différentes classes de modèles quantiques qui représentent différents régimes physiques ou structures sous-jacentes.


    © Science https://fr.scienceaq.com