Ilmuwan Skoltech mengusulkan menggunakan algoritma jaringan saraf untuk tomografi kuantum untuk mengembalikan keadaan awal dari data yang diukur.
Metode pembelajaran mesin, yang baru-baru ini menjadi alat universal untuk penambangan data, terus berkembang secara aktif ke area baru. Awalnya berdasarkan pengenalan gambar, metode ini dapat secara efektif mengurangi dimensi array data multidimensi, yang membuat teknik ini sangat menarik dalam konteks pemecahan masalah fisika banyak benda klasik dan kuantum. Dalam karya terbaru mereka, ilmuwan Skoltech mengusulkan penggunaan algoritma jaringan saraf untuk tomografi kuantum, dengan kata lain, untuk memecahkan masalah terbalik, yaitu masalah memulihkan keadaan awal dari data yang diukur.
Ketidaksempurnaan peralatan pengukur, serta kesalahan acak yang selalu menyertai tindakan pengukuran apa pun, membuat tomografi kuantum menjadi prosedur yang sangat sulit bahkan ketika kita sepenuhnya mengetahui model yang menggambarkan pengoperasian perangkat pengukur dan bagaimana keadaan input disiapkan. Dalam kolaborasi erat dengan rekan-rekan dari Pusat Teknologi Quantum Universitas Negeri Moskow, para peneliti dari Skoltech telah menunjukkan bahwa penggunaan algoritma jaringan saraf secara signifikan meningkatkan akurasi rekonstruksi keadaan kuantum. Hasil penelitian dipublikasikan di salah satu publikasi ilmiah paling otoritatif - jurnal npj Quantum Information, bagian dari keluarga Nature.
Mahasiswa Skoltech PhD Adriano Macarone Palmieri, penulis utama studi ini, menjelaskan pendekatan yang dikembangkan dalam pekerjaan sebagai metodologi baru untuk mendapatkan pemahaman yang lebih dalam. Sebelum bergabung dengan tim Skoltech, Adriano belajar fisika dan menerima gelar master di Universitas Bologna, yang dikenal luas tidak hanya di Italia, tetapi juga jauh di luar perbatasannya. Untuk berkolaborasi dalam proyek tersebut, Adriano merekrut rekannya dari Milan Federico Bianchi, yang sekarang bekerja di Universitas Bocconi.
Federico, yang menerima pendidikan kelas satu dan Ph. D. dalam pembelajaran mesin dan sistem kecerdasan buatan dari Universitas Milan Bicocca, menggambarkan temuannya sebagai contoh menarik dari penemuan ilmiah di bidang fisika kuantum, yang diperoleh dari penambangan data dari data percobaan. Terlepas dari kenyataan bahwa sebelum bergabung dengan proyek, Federico tidak menghadapi masalah fisika kuantum, pengalamannya sebagai peneliti-programmer memungkinkannya untuk melihat secara berbeda pada data eksperimen yang tersedia. Adriano dan Federico bekerja erat dengan sesama anggota tim Skoltech Deep Quantum Labs Jacob Biamonte, termasuk Dmitry Yudin.
Dia menggambarkan hasil proyek sebagai langkah penting pertama menuju penggunaan praktis algoritma jaringan saraf dalam masalah eksperimental tomografi kuantum, dengan mempertimbangkan kesalahan yang pasti menyertai setiap proses pengukuran, dan tingkat kebisingan dari data yang diperoleh. Dmitry menambahkan bahwa tomografi kuantum banyak digunakan untuk mengkalibrasi dan menguji pengoperasian perangkat kuantum.
Pekerjaan penelitian ke arah ini tidak akan mungkin tanpa dukungan dari rekan-rekan peneliti dari Pusat Teknologi Quantum Universitas Negeri Moskow, yaitu mahasiswa pascasarjana Yegor Kovlakov dan penasihat ilmiahnya Stanislav Straupe dan Sergei Kulik. Selama beberapa tahun terakhir, mereka telah secara aktif mengeksplorasi berbagai metode tomografi kuantum. Stanislav mencatat bahwa yang mengejutkan mereka, pembelajaran mendalam telah melampaui metode yang saat ini tersedia dalam eksperimen nyata. Sebuah kelompok penelitian dari Universitas Negeri Moskow terlibat dalam persiapan dan pengukuran keadaan kuantum dimensi tinggi pada platform eksperimental berdasarkan keadaan spasial foton.
Kesalahan eksperimental dalam persiapan keadaan pada input dan pengukuran pasti mempengaruhi hasil, dan situasinya menjadi lebih buruk dengan meningkatnya dimensi. Pada saat yang sama, semakin meningkatkan dimensi status kuantum yang tersedia sangat penting untuk protokol komunikasi kuantum dan terutama untuk komputasi kuantum - di sinilah metode pembelajaran mesin berguna.
Peneliti Skoltech melatih jaringan saraf dalam untuk menganalisis data eksperimental yang bising dan melatih pengurangan kebisingan secara efektif, yang secara signifikan meningkatkan kualitas pemulihan keadaan kuantum.
Hasil menggembirakan yang diperoleh oleh tim peneliti Skoltech dan Universitas Negeri Moskow memungkinkan mereka untuk menyatakan dengan keyakinan tinggi bahwa metode pembelajaran mesin akan memainkan peran penting dalam pengembangan teknologi kuantum di masa depan.