Crédit :Bondarenko &Feldmann.
De nombreux groupes de recherche dans le monde essaient actuellement de développer des instruments pour collecter des mesures de haute précision, comme les horloges atomiques ou les gravimètres. Certains de ces chercheurs ont essayé d'y parvenir en utilisant des états quantiques intriqués, qui ont une plus grande sensibilité aux quantités que les états classiques ou non intriqués.
En raison de cette sensibilité élevée, cependant, les états intriqués quantiques sont également plus susceptibles de capter du bruit (c. signaux non liés) lors de la collecte des mesures. Cela peut entraver le développement de dispositifs métrologiques à amélioration quantique précis et fiables.
Pour surmonter cette limite, deux chercheurs de la Leibniz Universität Hannover en Allemagne ont récemment développé des algorithmes d'apprentissage automatique quantique qui peuvent être utilisés pour débruiter les données quantiques. Ces algorithmes, présenté dans un article publié dans Lettres d'examen physique , pourrait aider à produire des données plus fiables à l'aide d'horloges quantiques ou d'autres outils de mesure basés sur des états quantiques intriqués.
Dmytro Bondarenko, l'un des chercheurs impliqués dans l'étude, avait déjà travaillé sur un nouvel algorithme basé sur l'apprentissage automatique quantique sous la supervision du professeur Tobias Osborne à la Leibniz Universität, Hanovre. Dans cette nouvelle étude, Bondarenko et sa collègue Polina Feldmann ont entrepris d'étudier la faisabilité d'utiliser cet algorithme pour débruiter les données collectées par des instruments à amélioration quantique.
"L'apprentissage automatique quantique est un sujet très prometteur, car il peut combiner la polyvalence de l'apprentissage automatique avec la puissance des algorithmes quantiques, " Bondarenko et Feldmann ont déclaré à Phys.org par e-mail. " L'apprentissage automatique est une méthode omniprésente pour l'analyse des données. "
Tout comme les algorithmes d'apprentissage automatique traditionnels, les algorithmes d'apprentissage automatique quantique dépendent d'une série de paramètres variationnels qui doivent être optimisés avant qu'un algorithme puisse être utilisé pour analyser des données. Pour apprendre les bons paramètres, l'algorithme doit d'abord être formé sur les données liées à la tâche qu'il est conçu pour accomplir (par exemple, la reconnaissance de formes, classement d'images, etc.).
« Quand on dit apprentissage automatique quantique, nous voulons dire que l'entrée et la sortie de l'algorithme sont des états quantiques, par exemple, d'un certain nombre de qubits (bits quantiques), qui peut être réalisé, par exemple, utilisant des supraconducteurs, " Bondarenko et Feldmann ont déclaré. " L'algorithme qui mappe l'état d'entrée à l'état de sortie est destiné à être mis en œuvre sur un ordinateur quantique. Les paramètres variationnels, qui doivent être optimisés, sont des paramètres classiques des transformations qui sont effectuées sur l'ordinateur quantique."
Les deux chercheurs ont voulu tester si l'algorithme d'apprentissage de la machine quantique précédemment développé par Bondarenko, Osborne et leurs autres collègues pourraient être utilisés pour nettoyer les données collectées à l'aide d'outils de métrologie quantique améliorés. Cela a finalement conduit au développement des autoencodeurs quantiques introduits dans leur récent article.
" Supposons que vous ayez une expérience quantique qui vous donne un certain nombre d'états quantiques bruyants, " Bondarenko et Feldmann expliquent. " Supposons en outre que vous ayez un ordinateur quantique capable de traiter ces états. Notre auto-encodeur est un algorithme qui indique à l'ordinateur quantique comment transformer les états quantiques bruyants de l'expérience pour les débruiter."
Comme première étape de leurs recherches, Bondarenko et Feldmann ont optimisé leurs algorithmes, les entraîner à débruiter efficacement les données quantiques. Comme les états de référence débruités sont difficiles à obtenir ou indisponibles expérimentalement, les chercheurs ont utilisé une astuce souvent utilisée pour optimiser les autoencodeurs classiques, qui sont un type d'algorithmes d'apprentissage automatique non supervisés.
"L'astuce est que l'algorithme est écrit de telle manière qu'il doit réduire l'information sur le chemin de l'entrée à son état de sortie, " Bondarenko et Feldmann ont dit. "Maintenant, la figure de mérite est définie comme la similitude de l'état traité par l'auto-encodeur et un autre état bruyant de votre expérience. Pour rendre ces états aussi similaires que possible, l'autoencodeur doit conserver les informations qui sont égales pour les deux états (leur origine silencieuse commune), en se débarrassant du bruit, lequel, dans chaque état provenant de votre expérience, est différent."
Figure décrivant la structure d'un QNN récurrent. Crédit :Bondarenko &Feldmann.
Les chercheurs ont réalisé de nombreuses simulations dans lesquelles ils ont produit des états quantiques intriqués bruyants. D'abord, ils ont utilisé ces sorties « expérimentales » pour optimiser les paramètres variationnels de l'auto-encodeur. Une fois cette phase de formation terminée, ils ont pu évaluer les performances de leurs autoencodeurs dans les mesures quantiques de débruitage.
« La beauté de notre approche est sa généralité, " Bondarenko et Feldmann ont dit. " Vous n'avez pas besoin de savoir à l'avance à quoi ressemble le résultat de votre expérience, vous n'avez pas non plus à caractériser vos sources de bruit. Le débruitage fonctionne même si votre sortie expérimentale n'est pas unique mais dépend d'un paramètre de contrôle expérimental, ce qui est crucial pour les applications métrologiques."
L'objectif des expériences numériques était de débruiter un certain nombre d'états quantiques fortement intriqués qui sont sujets à des erreurs de spin-flip et à un bruit unitaire aléatoire. Leurs algorithmes ont obtenu des résultats remarquables et pourraient également être implémentés sur les dispositifs quantiques actuels.
Les algorithmes nécessitent un ordinateur quantique capable de traiter la sortie expérimentale spécifique (c'est-à-dire, données quantiques). Par exemple, si un chercheur essaie d'utiliser les autoencodeurs pour débruiter des données basées sur des ions piégés, mais son ordinateur quantique utilise des qubits supraconducteurs, elle devra également utiliser une technique capable de cartographier les états d'une plate-forme physique à l'autre.
« La formation efficace de nos autoencodeurs nécessite plusieurs essais, une quantité considérable de données expérimentales, et la capacité de mesurer la similarité entre les états quantiques, " Bondarenko et Feldmann ont dit. " Néanmoins, notre algorithme ne gaspille pas trop ces ressources et nos exemples sont assez petits pour s'adapter facilement, au moins en termes de nombre de qubits, dans de nombreux ordinateurs quantiques existants."
Bien que les techniques d'apprentissage automatique quantique et les ordinateurs quantiques se soient avérés performants dans une variété de tâches, les chercheurs tentent toujours d'identifier les applications pratiques pour lesquelles ils pourraient être les plus utiles. L'étude récente menée par Bondarenko et Feldmann offre un exemple clair de la façon dont les méthodes d'apprentissage automatique quantique pourraient finalement être utilisées dans des scénarios du monde réel.
« Il n'était pas du tout évident que notre approche fonctionnerait ; et elle fait plus que simplement fonctionner, au moins dans nos petits exemples, ça marche super bien, ", ont déclaré Bondarenko et Feldmann.
À l'avenir, les autoencodeurs quantiques développés par ces deux chercheurs pourraient être utilisés pour améliorer la fiabilité des mesures collectées à l'aide d'outils quantiques, en particulier ceux utilisant des états intriqués à plusieurs corps. En outre, ils pourraient servir d'interfaces entre différentes architectures quantiques.
"Différents dispositifs quantiques ont des mérites différents, " Bondarenko et Feldmann ont dit. "Par exemple, il pourrait être plus facile d'utiliser des atomes froids pour mesurer la gravité, les photons sont parfaits pour la communication et les qubits supraconducteurs sont plus utiles pour le traitement de l'information quantique. Pour convertir les informations échangées entre ces différentes plateformes nous avons besoin d'interfaces, lequel, par eux-mêmes, introduire des erreurs. Nos auto-encodeurs peuvent aider à débruiter ces données échangées."
Bondarenko et Feldmann tentent maintenant de développer un autre type d'algorithme quantique :un réseau de neurones quantiques récurrents. L'architecture récurrente de ce nouvel algorithme devrait lui permettre de stocker les informations qu'il a traitées dans le passé et de disposer d'une « mémoire, " ce qui permettrait aux chercheurs de corriger les dérives.
"Cela peut simplifier les expériences quantiques car les dérives seront filtrées par post-traitement, " Bondarenko et Feldmann ont déclaré. " Une autre application des réseaux de neurones récurrents est le débruitage dans le cas d'un bruit à évolution lente. Par exemple, si on envoie des photons intriqués par voie aérienne, le bruit peut différer entre une journée nuageuse enneigée et une journée chaude. Cependant, le temps ne peut pas changer instantanément, donc un algorithme avec mémoire peut surpasser un sans."
© 2020 Réseau Science X