Добиться максимального правдоподобия. Машинное обучение повысило эффективность описания квантовых систем
Ученые из России и Англии разработали новый метод восстановления квантовых состояний, любых, в которых может находиться квантовая система, с использованием машинного обучения. Исследование поддержано грантом президентской программы исследовательских проектов Российского научного фонда
Оно проводилось на большом классе квантово-оптических состояний, которые важны для развития нового поколения приборов и устройств, использующих свойства индивидуальных квантовых систем. Предложенный учеными метод на основе машинного обучения значительно повышает эффективность гомодинной томографии — одного из основных методов для экспериментального исследования квантово-оптических систем.
Квантовые технологии предполагают использование свойств индивидуальных квантовых объектов, например атомов, фотонов и ионов. Благодаря им могут возникнуть новые поколения устройств для вычислений (квантовые компьютеры), средств передачи информации (квантовые коммуникации) и сверхчувствительных измерительных устройств (квантовые сенсоры). В 2019 году в России была разработана «дорожная карта» развития квантовых вычислений, а также назначены ответственные государственные корпорации: «Росатом» (квантовые вычисления), РЖД (квантовые коммуникации) и «Ростех» (квантовые сенсоры).
Одна из важнейших задач на пути к созданию квантовых технологий — это разработка методов полного описания квантовых состояний и процессов. Из однократного измерения такое описание получить невозможно. Поэтому применяется метод квантовой томографии — процедура, позволяющая узнать квантовое состояние или описание квантового процесса на основе статистической обработки массива экспериментальных данных. В случае использования квантовых оптических состояний обычно применяется метод гомодинной томографии. Для этого создается специальная оптическая схема, в которой два электрических поля (измеряемое и вспомогательное) попадают на светоделитель, а на выходе из него попадают на фотодетектор. Разность фототоков и представляет собой выходной сигнал детектора. Из последнего можно восстановить измеряемое состояние, проводя эксперимент много раз.
Однако существующие современные методы томографии, включая гомодинную, требуют больших вычислительных ресурсов, поэтому их использование непрактично для систем, состоящих из большого числа частиц. Кроме того, приготовить некоторые квантовые состояния достаточно сложно, поэтому и актуальна задача получения высокой точности при наличии малого количества экспериментальных данных.
В сложившейся ситуации на помощь приходит машинное обучение — совокупность методов для решения задач, при которых используются не заранее полностью запрограммированные решения, а алгоритмы, способные выделить скрытые сложные зависимости и свойства данных и на их основе решить задачу. В 2018 году международная группа ученых теоретически предложила такой метод для квантовых систем с дискретными переменными, а команда ученых из России и Англии расширила метод на область непрерывных переменных и продемонстрировала его работу экспериментально. В качестве метода машинного обучения использовались ограниченные машины Больцмана. Так называют одну из моделей нейронных сетей.
«Мы провели исследование на широком классе квантовых состояний и показали преимущество метода томографии с использованием машинного обучения. Мы рассмотрели произвольные суперпозиции оптических кубитов, оптических «кошек» Шредингера и состояния Готтсмана—Китаева—Прекислла. Эти квантово-оптические состояния важны как с точки зрения фундаментальных исследований, так и возможных приложений в области квантовых технологий»,— рассказывает руководитель проекта по гранту РНФ Алексей Федоров, PhD по физике, руководитель научной группы Российского квантового центра и профессор МФТИ.
Также ученые сравнили свой подход и обычно применяемый подход на основе метода максимального правдоподобия. Целью стало определить, какой из методов точнее в восстановлении квантовых состояний при меньшем количестве экспериментальных данных.
«Метод квантовой томографии с использованием машинного обучения показал свои преимущества и может быть в будущем использован не только для квантово-оптических состояний, но и для широкого круга квантовых систем, описываемых непрерывными переменными, например, ансамблей атомов или ионов, сверхпроводящих и оптомеханических систем»,— рассказывает Александр Львовский, PhD по физике, руководитель научной группы Российского квантового центра и профессор Оксфордского университета.
Исследования проводились совместно с коллегами из Российского квантового центра, МФТИ и Оксфордского университета.