Investigadores dirigidos por el Instituto de Investigación Científica e Industrial SANKEN de la Universidad de Osaka han entrenado una red neuronal profunda para determinar correctamente el estado de salida de los bits cuánticos, a pesar del ruido ambiental. El enfoque novedoso del equipo puede permitir que las computadoras cuánticas se conviertan en mucho másampliamente utilizado.
Las computadoras modernas se basan en la lógica binaria, en la que cada bit está restringido a ser un 1 o un 0. Pero gracias a las extrañas reglas de la mecánica cuántica, los nuevos sistemas experimentales pueden lograr una mayor potencia de cálculo al permitir bits cuánticos, también llamadosqubits, para estar en "superposiciones" de 1 y 0. Por ejemplo, los espines de los electrones confinados en pequeñas islas llamadas puntos cuánticos pueden orientarse hacia arriba y hacia abajo simultáneamente. Sin embargo, cuando se lee el estado final de un bit,vuelve al comportamiento clásico de tener una orientación u otra. Para que la computación cuántica sea lo suficientemente confiable para el uso del consumidor, será necesario crear nuevos sistemas que puedan registrar con precisión la salida de cada qubit incluso si hay mucho ruido en la señal.
Ahora, un equipo de científicos dirigido por SANKEN utilizó un método de aprendizaje automático llamado red neuronal profunda para discernir la señal creada por la orientación de espín de los electrones en puntos cuánticos. "Desarrollamos un clasificador basado en una red neuronal profunda para medir con precisión unaestado qubit incluso con señales ruidosas ", explica el coautor Takafumi Fujita.
En el sistema experimental, solo los electrones con una orientación de giro particular pueden dejar un punto cuántico. Cuando esto sucede, se crea un "blip" temporal de aumento de voltaje. El equipo entrenó el algoritmo de aprendizaje automático para seleccionar estas señales entre lasruido. La red neuronal profunda que usaron tenía una red neuronal convolucional para identificar las características importantes de la señal, combinada con una red neuronal recurrente para monitorear los datos de la serie temporal.
"Nuestro enfoque simplificó el proceso de aprendizaje para adaptarse a una fuerte interferencia que podría variar según la situación", dice el autor principal Akira Oiwa. El equipo primero probó la solidez del clasificador agregando ruido simulado y desviación. Luego, entrenó a losalgoritmo para trabajar con datos reales de una matriz de puntos cuánticos y alcanzar tasas de precisión superiores al 95%. Los resultados de esta investigación pueden permitir la medición de alta fidelidad de matrices de qubits a gran escala en futuras computadoras cuánticas.
Fuente de la historia :
Materiales proporcionado por Universidad de Osaka . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :