Los estudiantes de física pasan muchos años aprendiendo a dominar las leyes y efectos a menudo contraintuitivos de la mecánica cuántica. Por ejemplo, el estado cuántico de un sistema físico puede ser indeterminado hasta que se realice una medición, y una medición en una parte del sistema puede influirel estado de una parte distante sin ningún intercambio de información. Es suficiente para hacer que la mente se desconcierte. Una vez que los estudiantes se gradúan y comienzan a investigar, los problemas continúan: para determinar exactamente el estado de algún sistema cuántico en un experimento, uno tiene quePrepárelo cuidadosamente y haga muchas mediciones, una y otra vez.
Muy a menudo, lo que a uno realmente le interesa no se puede medir directamente. Un equipo internacional de investigadores dirigido por Giuseppe Carleo, profesor del Instituto de Física Teórica de ETH Zurich, ha desarrollado un software de aprendizaje automático que permite que una computadora"aprender" el estado cuántico de un sistema físico complejo basado en observaciones experimentales y predecir los resultados de mediciones hipotéticas. En el futuro, su software podría usarse para probar la precisión de las computadoras cuánticas.
física cuántica y escritura a mano
El principio de su enfoque, explica Carleo, es bastante simple. Utiliza una analogía intuitiva que evita las complicaciones de la física cuántica: "Lo que hacemos, en pocas palabras, es como enseñarle a la computadora a imitar mi letra. Mostraremoses un montón de muestras escritas, y paso a paso, luego aprende a replicar todos mis a's, l's y demás ".
La forma en que la computadora hace esto es observando las formas, por ejemplo, en las que se escribe una "l" cuando sigue a una "a". Puede que no siempre sean las mismas, por lo que la computadora calculará una distribución de probabilidadque expresa matemáticamente con qué frecuencia se escribe una letra de cierta manera cuando está precedida por otra letra. "Una vez que la computadora ha descubierto esa distribución, podría reproducir algo que se parece mucho a mi letra", dice Carleo.
La física cuántica es, por supuesto, mucho más complicada que la escritura de una persona. Aún así, el principio de que Carleo quien recientemente se mudó al Instituto Flatiron en Nueva York, junto con Matthias Troyer, Guglielmo Mazzola ambos en ETH y GiacomoTorlai, de la Universidad de Waterloo, así como sus colegas del Instituto Perimeter y la compañía D-Wave en Canadá, han utilizado su algoritmo de aprendizaje automático bastante similar.
El estado cuántico del sistema físico está codificado en una llamada red neuronal, y el aprendizaje se logra en pequeños pasos traduciendo el estado actual de la red en probabilidades de medición previstas. Estas probabilidades se comparan con los datos realmente medidos,y se realizan ajustes en la red para que coincidan mejor en la siguiente ronda. Una vez que finaliza este período de entrenamiento, se puede usar el estado cuántico almacenado en la red neuronal para experimentos "virtuales" sin realizarlos en el laboratorio.
Tomografía más rápida para estados cuánticos
"Usar el aprendizaje automático para extraer un estado cuántico de las mediciones tiene una serie de ventajas", explica Carleo. Cita un ejemplo sorprendente, en el que el estado cuántico de una colección de solo ocho objetos cuánticos iones atrapados tenía que ser experimentalmenteutilizando un método estándar llamado tomografía cuántica, se necesitaron alrededor de un millón de mediciones para lograr la precisión deseada. Con el nuevo método, un número mucho menor de mediciones podría hacer el mismo trabajo, y se podrían estudiar sistemas sustancialmente más grandes, previamente inaccesibles..
Esto es alentador, ya que la sabiduría común dice que el número de cálculos necesarios para simular un sistema cuántico complejo en una computadora clásica crece exponencialmente con el número de objetos cuánticos en el sistema. Esto se debe principalmente a un fenómeno llamado entrelazamiento, quehace que partes distantes del sistema cuántico estén íntimamente conectadas aunque no intercambian información. El enfoque utilizado por Carleo y sus colaboradores toma esto en cuenta al usar una capa de neuronas "ocultas", que permiten que la computadora codifique el estado cuántico correctode una manera mucho más compacta.
Prueba de computadoras cuánticas
Ser capaz de estudiar sistemas cuánticos con una gran cantidad de componentes, o "qubits", como a menudo se los llama, también tiene implicaciones importantes para las tecnologías cuánticas futuras, como señala Carleo: "Si queremos probar computadoras cuánticas"con más de un puñado de qubits, eso no será posible con los medios convencionales debido a la escala exponencial. Nuestro enfoque de aprendizaje automático, sin embargo, debería ponernos en condiciones de probar computadoras cuánticas con hasta 100 qubits ".
Además, el software de aprendizaje automático puede ayudar a los físicos experimentales al permitirles realizar mediciones virtuales que serían difíciles de hacer en el laboratorio, como medir el grado de enredo de un sistema compuesto por muchos qubits que interactúan. Hasta ahora, el métodosolo se ha probado en datos generados artificialmente, pero los investigadores planean usarlo para analizar experimentos cuánticos reales muy pronto.
Fuente de la historia :
Materiales proporcionado por ETH Zúrich . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :