B et F représentent respectivement les états d’entrée et de sortie d’un système quantique. E est un système auxiliaire nécessaire pour transmettre la séquence d’états d’entrée B au réservoir quantique S. S peut alors être lu pour émuler F sans perturber le système. Crédit : © 2021 Tran et al.
Les technologies qui tirent parti des nouveaux comportements de la mécanique quantique sont susceptibles de devenir monnaie courante dans un proche avenir. Ceux-ci peuvent inclure des dispositifs qui utilisent des informations quantiques comme données d’entrée et de sortie, qui nécessitent une vérification minutieuse en raison des incertitudes inhérentes. La vérification est plus difficile si l’appareil est dépendant du temps lorsque la sortie dépend des entrées passées. Pour la première fois, les chercheurs utilisant l’apprentissage automatique ont considérablement amélioré l’efficacité de la vérification des dispositifs quantiques dépendant du temps en incorporant un certain effet mémoire présent dans ces systèmes.
Les ordinateurs quantiques font les gros titres de la presse scientifique, mais ces machines sont considérées par la plupart des experts comme étant encore à leurs balbutiements. Un Internet quantique, cependant, peut être un peu plus proche du présent. Cela offrirait, entre autres, des avantages de sécurité importants par rapport à notre Internet actuel. Mais même cela reposera sur des technologies qui n’ont pas encore vu le jour en dehors du laboratoire. Bien que de nombreux éléments fondamentaux des dispositifs pouvant créer notre Internet quantique aient pu être élaborés, il existe de nombreux défis techniques pour les réaliser en tant que produits. Mais de nombreuses recherches sont en cours pour créer des outils pour la conception de dispositifs quantiques.
Le chercheur postdoctoral Quoc Hoan Tran et le professeur agrégé Kohei Nakajima de la Graduate School of Information Science and Technology de l’Université de Tokyo ont été les pionniers d’un tel outil, qui, selon eux, pourrait faire de la vérification du comportement des dispositifs quantiques une entreprise plus efficace et précise qu’elle. est à l’heure actuelle. Leur contribution est un algorithme qui peut reconstruire le fonctionnement d’un dispositif quantique dépendant du temps en apprenant simplement la relation entre les entrées et les sorties quantiques. Cette approche est en fait courante lors de l’exploration d’un système physique classique, mais l’information quantique est généralement délicate à stocker, ce qui la rend généralement impossible.
“La technique pour décrire un système quantique sur la base de ses entrées et sorties est appelée tomographie de processus quantique”, a déclaré Tran. “Cependant, de nombreux chercheurs rapportent maintenant que leurs systèmes quantiques présentent une sorte d’effet mémoire où les états actuels sont affectés par les précédents. Cela signifie qu’une simple inspection des états d’entrée et de sortie ne peut pas décrire la nature dépendante du temps du système. Vous pourriez modéliser le système à plusieurs reprises après chaque changement de temps, mais cela serait extrêmement inefficace en termes de calcul. Notre objectif était d’embrasser cet effet mémoire et de l’utiliser à notre avantage plutôt que d’utiliser la force brute pour le surmonter.
Tran et Nakajima se sont tournés vers l’apprentissage automatique et une technique appelée calcul de réservoir quantique pour créer leur nouvel algorithme. Cela apprend des modèles d’entrées et de sorties qui changent au fil du temps dans un système quantique et devine efficacement comment ces modèles vont changer, même dans des situations que l’algorithme n’a pas encore connues. Comme il n’a pas besoin de connaître le fonctionnement interne d’un système quantique comme le ferait une méthode plus empirique, mais uniquement les entrées et les sorties, l’algorithme de l’équipe peut être plus simple et produire des résultats plus rapidement.
« À l’heure actuelle, notre algorithme peut émuler un certain type de système quantique, mais les dispositifs hypothétiques peuvent varier considérablement dans leur capacité de traitement et avoir des effets de mémoire différents. La prochaine étape de la recherche sera donc d’élargir les capacités de nos algorithmes, en faisant essentiellement quelque chose de plus général et donc plus utile », a déclaré Tran. « Je suis enthousiasmé par ce que les méthodes d’apprentissage automatique quantique pourraient faire, par les dispositifs hypothétiques auxquels elles pourraient conduire. »
Référence : « Learning Temporal Quantum Tomography » 22 décembre 2021, Lettres d’examen physique.
DOI : 10.1103/PhysRevLett.127.260401
