Las computadoras cuánticas pueden algún día resolver problemas algorítmicos que incluso las supercomputadoras más grandes de la actualidad no pueden manejar. Pero, ¿cómo prueba una computadora cuántica para asegurarse de que funciona de manera confiable? Dependiendo de la tarea algorítmica, esto podría ser fácil o muy difícil.difícil problema de certificación. Un equipo internacional de investigadores ha dado un paso importante para resolver una variación difícil de este problema, utilizando un enfoque estadístico desarrollado en la Universidad de Friburgo. Los resultados de su estudio se publican en la última edición de Fotónica de la naturaleza .
Su ejemplo de un problema de certificación difícil es clasificar un número definido de fotones después de que hayan pasado por una disposición definida de varios elementos ópticos. La disposición proporciona a cada fotón una cantidad de rutas de transmisión, dependiendo de si el fotón se refleja o notransmitido por un elemento óptico. La tarea es predecir la probabilidad de que los fotones abandonen la disposición en puntos definidos, para un posicionamiento dado de los fotones en la entrada de la disposición. Con el tamaño creciente de la disposición óptica y el número creciente de fotones enviados enA su manera, el número de posibles rutas y distribuciones de los fotones al final aumenta abruptamente como resultado del principio de incertidumbre que subyace en la mecánica cuántica, de modo que no se puede predecir la probabilidad exacta usando las computadoras disponibles hoy en día.Los principios físicos dicen que los diferentes tipos de partículas, como los fotones o los electrones, deberían producir diferentes distribuciones de probabilidad.ibutions.Pero, ¿cómo pueden los científicos distinguir estas distribuciones y las diferentes disposiciones ópticas cuando no hay forma de hacer cálculos exactos?
Un enfoque desarrollado en Friburgo por investigadores de Roma, Milán; Redmond, EE. UU.; París y Friburgo ahora hace posible por primera vez identificar firmas estadísticas características a través de distribuciones de probabilidad inconmensurables. En lugar de una "huella digital" completa, fueroncapaces de destilar la información de conjuntos de datos que se redujeron para hacerlos utilizables. Utilizando esa información, pudieron discriminar varios tipos de partículas y características distintivas de los arreglos ópticos. El equipo también demostró que este proceso de destilación puede mejorarse, basándose en lo establecidotécnicas de aprendizaje automático, mediante las cuales la física proporciona la información clave sobre qué conjunto de datos debe usarse para buscar los patrones relevantes. Y debido a que este enfoque se vuelve más preciso para un mayor número de partículas, los investigadores esperan que sus hallazgos nos lleven un paso clave más cerca deresolviendo el problema de certificación.
Fuente de la historia :
Materiales proporcionado por Universidad de Friburgo . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :