e
sv
e
sv

Karmaşık Kuantum Sistemlerinin Özelliklerini Tahmin Etme Yöntemi

avatar

Sungu Erdem

  • e 0

    Mutlu

  • e 0

    Eğlenmiş

  • e 0

    Şaşırmış

  • e 0

    Kızgın

  • e 0

    Üzgün

Karmaşık kuantum sistemlerinin özelliklerini tahmin etmek, gelişmiş kuantum teknolojilerinin geliştirilmesinde çok önemli bir adımdır. Dünya çapında araştırma ekipleri, kuantum sistemlerinin özelliklerini incelemek için bir dizi teknik geliştirmiş olsa da, bunların çoğunun sadece bazı durumlarda etkili olduğu kanıtlanmıştır.

California Institute of Technology’deki üç araştırmacı kısa bir süre önce sınırlı sayıda ölçümden karmaşık kuantum sistemlerinin çoklu özelliklerini tahmin etmek için kullanılabilecek yeni bir yöntem tanıttı.Nature Physics dergisinde yayınlanan bir makalede özetlenen yöntemlerinin oldukça etkili olduğu ve makinelerin kuantum bilgisini nasıl işlediğini incelemek için yeni fırsatlar açabileceği bulunmuştur.

Kuantum-mekanik süreçlere dayanan daha gelişmiş makinelerin geliştirilmesine yönelik ilk adım, mevcut teknolojilerin kuantum sistemlerini ve kuantum bilgilerini nasıl işlediğini ve manipüle ettiğini daha iyi anlamaktır. Kuantum durum tomografisi olarak bilinen bunu yapmak için standart yöntem, bir kuantum sisteminin tüm tanımını öğrenerek çalışır. Bununla birlikte, bu, üstel sayıda ölçümün yanı sıra önemli miktarda hesaplama belleği ve zamanı gerektirir.

Sonuç olarak, kuantum durum tomografisini kullanırken, makineler şu anda onlarca qubit ile kuantum sistemlerini destekleyememektedir. Son yıllarda, araştırmacılar, makinelerin kuantum bilgi işlemesini önemli ölçüde artırabilecek yapay sinir ağlarına dayanan bir dizi teknik önermişlerdir. Bununla birlikte, ne yazık ki, bu teknikler tüm durumlarda iyi bir şekilde genelleştirilmemektedir ve bunların çalışmasına izin veren özel gereksinimler hala belirsizdir.

Huang,” makinelerin kuantum sistemlerini nasıl algılayabileceğine dair titiz bir temel oluşturmak için, istatistiksel öğrenme teorisi hakkındaki önceki bilgimi Richard Kueng ve John Preskill’in üniter t-tasarımı olarak bilinen güzel bir matematiksel teori konusundaki uzmanlığıyla birleştirdik ” dedi. “İstatistiksel öğrenme teorisi, makinenin dünyanın nasıl davrandığına dair yaklaşık bir modeli nasıl öğrenebileceğinin temelini oluşturan teoridir, üniter t-tasarımı ise kuantum bilginin nasıl karıştığını temel alan matematiksel bir teoridir.”

İstatistiksel öğrenme ve üniter t-tasarım teorisini birleştirerek, araştırmacılar klasik makinelerin kuantum çok gövdeli sistemlerin yaklaşık klasik tanımlarını üretmesini sağlayan titiz ve etkili bir prosedür geliştirebildiler. Bu açıklamalar, minimum sayıda kuantum ölçümü gerçekleştirerek incelenen kuantum sistemlerinin çeşitli özelliklerini tahmin etmek için kullanılabilir.

Huang,” kuantum durumunun yaklaşık bir klasik tanımını oluşturmak için, aşağıdaki gibi verilen randomize bir ölçüm prosedürü uyguluyoruz ” dedi. “Bilinmeyen kuantum çok vücut sistemine uygulanacak birkaç rastgele kuantum evrimini örnekliyoruz. Bu rastgele kuantum evrimleri tipik olarak kaotiktir ve kuantum sisteminde depolanan kuantum bilgisini karıştırır.”

Araştırmacılar tarafından örneklenen rastgele kuantum evrimleri, nihayetinde kuantum kara delikler gibi kaotik kuantum sistemlerini incelemek için üniter t-tasarım matematiksel teorisinin kullanılmasını sağlar. Buna ek olarak, Huang ve meslektaşları, bir kuantum sistemini klasik bir sisteme dönüştüren bir süreç olan bir dalga fonksiyonu çöküşünü ortaya çıkaran bir ölçüm aracı kullanarak bir dizi rastgele karıştırılmış kuantum sistemini incelediler. Son olarak, rastgele kuantum evrimlerini, ölçümlerinden türetilen klasik sistem temsilleriyle birleştirdiler ve kuantum ilgi sisteminin yaklaşık bir klasik tanımını ürettiler.

Huang,” sezgisel olarak, bu prosedürü aşağıdaki gibi düşünebiliriz ” dedi. “Klasik bir makine tarafından kavraması çok zor olan, katlanarak Yüksek boyutlu bir nesneye, kuantum çok gövdeli sisteme sahibiz. Bu son derece yüksek boyutlu nesnenin rastgele/kaotik kuantum evrimi kullanılarak çok daha düşük boyutlu bir alana birkaç rastgele projeksiyonunu gerçekleştiriyoruz. Rastgele projeksiyonlar kümesi, bu katlanarak Yüksek boyutlu nesnenin nasıl göründüğüne dair kaba bir resim sağlar ve klasik temsil, kuantum çok gövdeli sistemin çeşitli özelliklerini tahmin etmemizi sağlar.”

Huang ve meslektaşları, istatistiksel öğrenme yapılarını ve kuantum bilgi karıştırma teorisini birleştirerek, yalnızca logaritmik(m) ölçümlere dayanan bir kuantum sisteminin M özelliklerini doğru bir şekilde tahmin edebileceklerini kanıtladılar. Başka bir deyişle, yöntemleri, belirli bir sayı için bir kuantum sisteminin belirli yönlerini tekrar tekrar ölçerek üstel bir özellik sayısını tahmin edebilir.

Huang,” geleneksel anlayış, M özelliklerini ölçmek istediğimizde, kuantum sistemi m zamanlarını ölçmemiz gerektiğidir ” dedi. “Bunun nedeni, kuantum sisteminin bir özelliğini ölçtükten sonra, kuantum sistemi çökecek ve klasik hale gelecektir. Kuantum sistemi klasik hale geldikten sonra, ortaya çıkan klasik sistemle diğer özellikleri ölçemeyiz. Yaklaşımımız, rastgele oluşturulmuş Ölçümler yaparak ve bu ölçüm verilerini birleştirerek istenen özelliği ortaya çıkararak bunu önler.”

Çalışma, kuantum sistemlerinin özelliklerini tahmin etmede yeni geliştirilen makine öğrenimi (ML) teknikleriyle elde edilen mükemmel performansı kısmen açıklamaktadır. Buna ek olarak, benzersiz tasarımı, geliştirdikleri yöntemi mevcut ML tekniklerinden önemli ölçüde daha hızlı hale getirirken, aynı zamanda kuantum çok gövdeli sistemlerin özelliklerini daha büyük bir doğrulukla tahmin etmesini sağlar.

Huang,” çalışmamız, kuantum ölçümlerinden elde edilen verilerde başlangıçta beklediğimizden çok daha fazla bilgi gizlendiğini gösteriyor ” dedi. “Bu verileri uygun bir şekilde birleştirerek, bu gizli bilgiyi çıkarabiliriz ve kuantum sistemi hakkında önemli ölçüde daha fazla bilgi edinebiliriz. Bu, kuantum teknolojisinin gelişimi için veri bilimi tekniklerinin önemini ima eder.”

Ekip tarafından yapılan testlerin sonuçları, makine öğreniminin gücünü kullanmak için öncelikle kuantum fiziğinin içsel mekanizmalarını iyi anlamak gerektiğini göstermektedir. Huang ve meslektaşları, standart makine öğrenme tekniklerinin doğrudan uygulanmasının tatmin edici sonuçlara yol açabilmesine rağmen, makine öğrenimi ve kuantum fiziğinin arkasındaki matematiğin organik olarak birleştirilmesinin çok daha iyi kuantum bilgi işleme performansı ile sonuçlandığını gösterdi.

Huang,” kuantum sistemlerini klasik makinelerle algılamak için titiz bir zemin göz önüne alındığında, kişisel planım şimdi kuantum-mekanik süreçleri manipüle edebilen ve kullanabilen bir öğrenme makinesi yaratmaya yönelik bir sonraki adımı atmaktır ” dedi. “Özellikle, makinelerin maddenin kuantum fazlarını sınıflandırmak veya kuantum çok gövdeli zemin durumlarını bulmak gibi kuantum çok gövdeli problemleri nasıl çözebileceğine dair sağlam bir anlayış sağlamak istiyoruz.”

Kuantum sistemlerinin klasik temsillerini oluşturmak için bu yeni yöntem, kuantum çok gövdeli sistemleri içeren zorlu problemleri çözmek için makine öğreniminin kullanımı için yeni olanaklar açabilir. Bununla birlikte, bu problemleri daha verimli bir şekilde ele almak için, makinelerin, makine öğreniminin altında yatan matematik ile Kuantum Fiziği arasında daha fazla sentez gerektiren bir dizi karmaşık hesaplamayı simüle edebilmeleri gerekir. Bir sonraki çalışmalarında, Huang ve meslektaşları bu sentezi sağlayabilecek yeni teknikleri keşfetmeyi planlıyorlar.

Huang,” aynı zamanda, kuantum deneycileri tarafından toplanan verilerden gizli bilgileri çıkarmak için yeni araçlar geliştirmek ve geliştirmek için de çalışıyoruz ” dedi. “Gerçek sistemlerdeki fiziksel sınırlama, daha gelişmiş teknikler geliştirmek için ilginç zorluklar sunuyor. Bu, deneycilerin başlangıçta yapamayacakları şeyleri görmelerini ve kuantum teknolojisinin mevcut durumunu ilerletmelerine yardımcı olmalarını sağlayacaktır.”

 

Method Of Predicting Properties Of Complex Quantum Systems

avatar

Sungu Erdem

  • e 0

    Mutlu

  • e 0

    Eğlenmiş

  • e 0

    Şaşırmış

  • e 0

    Kızgın

  • e 0

    Üzgün

Predicting the properties of complex quantum systems is a crucial
step in the development of advanced quantum technologies. Although
research teams around the world have developed a number of
techniques for studying the properties of quantum systems, many of
these have proven to be effective only in some cases.

Three researchers at the California Institute of Technology recently
introduced a new method that can be used to predict the multiple
properties of complex quantum systems from a limited number of
measurements.Their methods, outlined in a paper published in the
journal Nature Physics, have been found to be highly effective and
could open up new opportunities to study how machines process
quantum information.

The first step towards the development of more advanced machines
based on quantum-mechanical processes is to better understand how
existing technologies process and manipulate quantum systems and
quantum information. The standard method for doing this, known as
quantum state tomography, works by learning the entire definition of
a quantum system. However, this requires an exponential number of
measurements, as well as a significant amount of computational
memory and time.

As a result, while using quantum state tomography, machines are
currently unable to support quantum systems with dozens of qubits.
In recent years, researchers have proposed a series of techniques
based on artificial neural networks that could significantly improve
machines ‘ quantum information processing. Unfortunately, however,
these techniques are not well generalized in all cases, and the specific
requirements that allow them to work are still unclear.

” To create a rigorous basis for how machines can perceive quantum
systems, we combined my previous knowledge of statistical learning
theory with the expertise of Richard Kueng and John Preskill on a
beautiful mathematical theory known as unitary t-design, ” Huang
said. “Statistical learning theory is the theory that underlies how the
machine can learn an approximate model of how the world behaves,
while the unitary t-design is a mathematical theory based on how
quantum information is mixed.”

By combining statistical learning and unitary t-design theory, the
researchers were able to develop a rigorous and effective procedure
that enabled classical machines to produce approximate classical
definitions of quantum multibody systems. These explanations can be
used to predict the various properties of quantum systems studied by
performing a minimum number of quantum measurements.

” To create an approximate classical definition of the quantum state,
we apply a randomized measurement procedure given as follows, ”
Huang said. “We are sampling several random quantum evolutions to
be applied to the unknown quantum multi-body system. These random
quantum evolutions are typically chaotic and confuse quantum
information stored in the quantum system.”

The random quantum evolutions sampled by the researchers
ultimately enable the use of the mathematical theory of unitary tdesign
to study chaotic quantum systems such as quantum black
holes. In addition, Huang and his colleagues studied a series of
randomly mangled quantum systems using a measurement tool that
revealed a wave function collapse, a process that transforms a
quantum system into a classical one. Finally, they combined random
quantum evolutions with classical system representations derived
from their measurements, producing an approximate classical
description of the quantum system of interest.

” Intuitively, we can think of this procedure as follows, ” Huang said.
“We have an exponentially high-dimensional object, a quantum
multibody system, that is very difficult to grasp by a classical machine.
We perform several random projections of this extremely highdimensional
object into a much lower-dimensional space using
random/chaotic quantum evolution. The set of random projections
provides a rough picture of how this exponentially high-dimensional
object looks, and the classical representation allows us to predict the
various properties of the quantum multibody system.”

By combining statistical learning structures and quantum information
mixing theory, Huang and his colleagues proved that they could
accurately predict the M Properties of a quantum system based only
on logarithmic(m) measurements. In other words, his methods can
predict an exponential number of properties by repeatedly measuring
certain aspects of a quantum system for a given number.

” The traditional understanding is that when we want to Measure M
Properties, we need to measure the quantum system m Times, ” Huang
said. “This is because, after measuring a property of the quantum
system, the quantum system will collapse and become classical. Once
the quantum system becomes classical, we cannot measure other
properties with the resulting classical system. Our approach avoids this
by making randomly generated measurements and combining these
measurement data to reveal the desired property.”

The study partly describes the excellent performance achieved by
newly developed machine learning (ML) techniques in predicting
properties of quantum systems. In addition, their unique design
makes the method they developed significantly faster than existing
ML techniques, while at the same time allowing them to predict the
properties of quantum multibody systems with greater accuracy.
” Our study shows that much more information is hidden in the data
from quantum measurements than we initially expected, ” Huang said.
“By appropriately combining this data, we can extract this secret
information and learn significantly more about the quantum system.
This implies the importance of data science techniques for the
development of quantum technology.”

The results of tests conducted by the team show that to harness the
power of machine learning, it is necessary to first understand well the
intrinsic mechanisms of quantum physics. Huang and colleagues, lead
to satisfactory results although the direct implementation of standard
machine learning techniques, machine learning, organically
integrating the mathematics behind Quantum Information Processing
and quantum physics, respectively, showed that much better
performance.

” Given the rigorous backdrop for perceiving quantum systems with
classical machines, my personal plan now is to take the next step
towards creating a learning machine that can manipulate and use
quantum-mechanical processes, ” Huang said. “In particular, we want
to provide a solid understanding of how machines can solve quantum
multibody problems, such as classifying quantum phases of matter or
finding quantum multibody ground States.”

This new method for creating classical representations of quantum
systems could open up new possibilities for the use of machine
learning to solve challenging problems involving quantum multibody
systems. However, to address these problems more efficiently,
machines need to be able to simulate a series of complex calculations
that require greater synthesis between the mathematics underlying
machine learning and quantum physics. In their next study, Huang and
his colleagues plan to explore new techniques that could provide this
synthesis.

” We are also working to develop and develop new tools to extract
confidential information from data collected by quantum
experimenters, ” Huang said. “The physical limitation in actual systems
presents interesting challenges for developing more advanced
techniques. This will allow experimenters to see things they initially
couldn’t, helping them advance the current state of quantum
technology.”

Sungu Erdem

Translated by Başak Arya Gençler