Alors que l'apprentissage automatique continue de surpasser les performances humaines dans un nombre croissant de tâches, les scientifiques de Skoltech ont appliqué l'apprentissage en profondeur pour reconstruire les propriétés quantiques des systèmes optiques.

Grâce à une collaboration entre les laboratoires de recherche en optique quantique de l'Université d'État de Moscou, dirigé par Sergey Kulik, et les membres du laboratoire Deep Quantum de Skoltech du CPQM, dirigé par Jacob Biamonte, les scientifiques ont appliqué avec succès l'apprentissage automatique au problème de la reconstruction de l'état.

Leurs découvertes ont été rapportées dans Informations quantiques npj , et sont les premiers à montrer que l'apprentissage automatique peut reconstruire des états quantiques à partir de données expérimentales en présence de bruit et d'erreurs de détection.

L'équipe MSU a généré des données avec une plate-forme expérimentale basée sur des états spatiaux de photons pour préparer et mesurer des états quantiques de grande dimension. Les erreurs expérimentales dans la préparation de l'état et les mesures empoisonnent inévitablement les résultats et la situation s'aggrave avec l'augmentation de la dimensionnalité. À la fois, étendre la dimensionnalité des états quantiques accessibles est extrêmement important pour les protocoles de communication quantique, et surtout l'informatique quantique. C'est là que les techniques d'apprentissage automatique sont utiles. L'équipe Skoltech a mis en place un réseau de neurones profonds mis en œuvre pour analyser les données expérimentales bruitées et apprendre efficacement à effectuer le débruitage, améliorant considérablement la qualité de la reconstruction d'états quantiques.

Doctorat Skoltech étudiant Adriano Macarone Palmieri, auteur principal de l'étude, a décrit les résultats comme « une nouvelle porte ouverte vers des connaissances plus approfondies ». Adriano a une maîtrise en physique de Bologne et a rejoint Skoltech d'Italie, où il a travaillé comme data scientist.

Travailler en étroite collaboration avec le doctorat de MSU. étudiant, Egor Kovlakov, Adriano a contacté son ancien collègue et actuellement boursier postdoctoral à l'Université Bocconi, Federico Bianchi. Federico, un expert en apprentissage automatique, qui décrit les résultats comme "un bon exemple de découverte basée sur les données qui combine l'apprentissage automatique et la physique quantique". Bien que Federico n'ait pas d'expérience en mécanique quantique avant de rejoindre cette étude, il a vu le problème en termes d'information et a aidé à créer un nouveau modèle du système basé sur des réseaux de neurones à rétroaction profonde.

Adriano et Federico ont tous deux travaillé en étroite collaboration avec de nombreux membres du Deep Quantum Laboratory, dont Dmitry Yudin, qui décrit les résultats comme une première étape importante vers l'utilisation pratique de l'architecture de réseau neuronal dans un laboratoire pour améliorer la tomographie quantique avec les configurations quantiques disponibles de données expérimentales bruyantes. Un tel traitement de l'information quantique est utilisé de manière omniprésente dans les dispositifs quantiques paradigmatiques pour le calcul et l'optimisation quantiques. À l'avenir, les chercheurs prévoient de relever d'autres défis liés à la mise à l'échelle des dispositifs d'information quantique, et s'attendent à ce que ce travail soit fondamental dans leurs recherches futures.

Ces résultats n'auraient pas été possibles sans les recherches expérimentales d'Egor Kovlakov, soutenu par Stanislav Straupe et Sergei Kuliik, de MSU. Au cours des dernières années, ils ont appliqué un large éventail de techniques au problème de la reconstruction de l'État. A la surprise des coauteurs, l'apprentissage en profondeur a surpassé ces méthodes de pointe dans une expérience réelle.

L'équipe du laboratoire Deep Quantum de Skoltech pense que les techniques d'apprentissage automatique joueront un rôle essentiel dans le développement futur des technologies quantiques. Alors que les dispositifs quantiques disponibles deviennent de plus en plus complexes, il devient de plus en plus difficile de contrôler tous les paramètres au niveau de précision souhaité. Cela s'est avéré être un domaine d'application très naturel pour les techniques d'apprentissage en profondeur et d'apprentissage automatique en général.