Физики Центра квантовых технологий МГУ совместно с группой ученых из Сколтеха под руководством Джейкоба Биамонте использовала глубокую нейросеть для анализа экспериментальных данных при квантовой томографии пространственных состояний фотонов. Этот метод оказался значительно эффективнее традиционных способов, используемых в подобных случаях. Результаты эксперимента опубликованы в журнале «npj Quantum Information».
С развитием квантовых технологий сложность создаваемых квантовых устройств быстро увеличивается, поэтому важнейшей задачей становится разработка методов характеризации и отладки, которые позволили бы исследователям понять, насколько хорошо эти устройства работают, и насколько экспериментальная реальность соответствует теоретическим моделям. Главным методом в задачах такого рода является квантовая томография - процедура, позволяющая узнать квантовое состояние или описание квантового процесса на основе статистической обработки большого массива экспериментальных данных. В процессе обработки данных исследователям необходимо вычленить и исключить данные об инструментальных ошибках, возникающих при детектировании квантовых состояний.
В совместном эксперименте ученых МГУ и Сколтеха физики исследовали пространственные состояния фотонов. В экспериментах такого рода измерения осуществляются с помощью специальных голограмм, преобразующих фазу светового пучка, который затем фокусируется в одномодовое волокно. Эти голограммы работают не идеально, и чем больше размерность квантового состояния, тем больше "мелких особенностей" в структуре пучка, и соответственно, тем сложнее провести хорошее измерение. Традиционный метод корректировки "шумных данных", полученных экспериментальным путем, заключается в том, чтобы измерить возникающие «неидеальности» и аналитически построить систему поправок, которая их учитывает.
Использовав вместо традиционного метода глубокую нейросеть, ученые МГУ и Сколтеха пришли к выводу, что она позволяет эффективнее, чем традиционный метод, избавиться от экспериментальных шумов в процессе измерения и значительно улучшает качество восстановления состояния.
Архитектура и методы обучения нейросети, использованной в эксперименте, были разработаны группой ученых из Сколтеха.
"В последнее время появляется всё больше исследований на стыке квантовых технологий и нейросетей, ведь анализ шумных данных - естественная область применения алгоритмов машинного обучения, - говорит один из авторов статьи Станислав Страупе. - Проблема ошибок в приготовлении и измерении квантовых состояний - одна из ключевых при практической реализации квантовых алгоритмов и квантовых протоколов связи. И мы уверены, что использование новых возможностей в этой области, в том числе тех, которые использовали мы в нашей работе с коллегами из Сколтеха, помогут решать эту проблему быстрее и эффективнее".
Авторы статьи отмечают, что предложенные в работе идеи можно использовать в самых разнообразных задачах, связанных с квантовой томографией. Например, таких, как отладка логических вентилей в квантовых компьютерах, тестирование квантовых каналов связи, калибровка квантовых сенсоров.