Los científicos de los laboratorios de tecnología de ingeniería cuántica de la Universidad de Bristol QETLabs han desarrollado un algoritmo que proporciona información valiosa sobre la física subyacente a los sistemas cuánticos, allanando el camino para avances significativos en la computación cuántica y la detección, y potencialmente pasando una nueva página eninvestigación científica.
En física, los sistemas de partículas y su evolución se describen mediante modelos matemáticos, lo que requiere la interacción exitosa de argumentos teóricos y verificación experimental. Aún más compleja es la descripción de sistemas de partículas que interactúan entre sí a nivel de la mecánica cuántica, que esA menudo se hace usando un modelo hamiltoniano. El proceso de formular modelos hamiltonianos a partir de observaciones se dificulta aún más debido a la naturaleza de los estados cuánticos, que colapsan cuando se intenta inspeccionarlos.
En el artículo, Modelos de aprendizaje de sistemas cuánticos a partir de experimentos, publicado en Física de la naturaleza , la mecánica cuántica de los laboratorios QET de Bristol describen un algoritmo que supera estos desafíos actuando como un agente autónomo, utilizando el aprendizaje automático para aplicar ingeniería inversa a los modelos hamiltonianos.
El equipo desarrolló un nuevo protocolo para formular y validar modelos aproximados para sistemas cuánticos de interés. Su algoritmo funciona de forma autónoma, diseñando y realizando experimentos en el sistema cuántico objetivo, y los datos resultantes se retroalimentan en el algoritmo. Propone el Hamiltoniano candidatomodelos para describir el sistema de destino, y los distingue utilizando métricas estadísticas, a saber, factores de Bayes.
De manera emocionante, el equipo pudo demostrar con éxito la capacidad del algoritmo en un experimento cuántico de la vida real que involucra centros de defectos en un diamante, una plataforma bien estudiada para el procesamiento de información cuántica y la detección cuántica.
El algoritmo podría usarse para ayudar a la caracterización automatizada de nuevos dispositivos, como los sensores cuánticos. Por lo tanto, este desarrollo representa un avance significativo en el desarrollo de tecnologías cuánticas.
"Combinando el poder de las supercomputadoras actuales con el aprendizaje automático, pudimos descubrir automáticamente la estructura en los sistemas cuánticos. A medida que se encuentran disponibles nuevas computadoras / simuladores cuánticos, el algoritmo se vuelve más emocionante: primero, puede ayudar a verificar el rendimiento del dispositivoen sí mismo, luego explotar esos dispositivos para comprender sistemas cada vez más grandes ", dijo Brian Flynn de QETLabs y Quantum Engineering Center for Doctoral Training de la Universidad de Bristol.
"Este nivel de automatización hace posible considerar miríadas de modelos hipotéticos antes de seleccionar uno óptimo, una tarea que de otro modo sería desalentadora para los sistemas cuya complejidad es cada vez mayor", dijo Andreas Gentile, anteriormente de QETLabs de Bristol, ahora en Qu& Co.
"Comprender la física subyacente y los modelos que describen los sistemas cuánticos, nos ayuda a avanzar en nuestro conocimiento de las tecnologías adecuadas para la computación cuántica y la detección cuántica", dijo Sebastian Knauer, también ex miembro de QETLabs de Bristol y ahora radicado en la Facultad de Ciencias de la Universidad de Viena.Física.
Anthony Laing, codirector de QETLabs y profesor asociado en la Escuela de Física de Bristol, y autor del artículo, elogió al equipo: "En el pasado, hemos confiado en el genio y el arduo trabajo de los científicos para descubrir nueva física.Aquí, el equipo potencialmente ha pasado una nueva página en la investigación científica al otorgar a las máquinas la capacidad de aprender de los experimentos y descubrir nueva física. Las consecuencias podrían ser de gran alcance de hecho ".
El siguiente paso para la investigación es extender el algoritmo para explorar sistemas más grandes y diferentes clases de modelos cuánticos que representan diferentes regímenes físicos o estructuras subyacentes.
Fuente de la historia :
Materiales proporcionado por Universidad de Bristol . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :