Добавь сайт в закладки! Инструкция по ссылке.
Новый метод, названный «устойчивые мелкие тени» (robust shallow shadows), включает создание случайных представлений квантовой системы с последующим применением техники, известной как байесовский вывод (статистический метод, позволяющий делать обоснованные предположения на основе неполных или зашумленных данных), для коррекции шума.
Квантовые системы настолько хрупки, что даже их наблюдение может привести к возмущениям. Традиционные методы изучения квантовых систем, требующие значительного времени и сложных установок, могут быть легко искажены шумом.
Тем не менее наблюдение и понимание поведения частиц, как электроны и фотоны, внутри квантовой системы имеет жизненно важное значение. Это основа для создания надёжных квантовых компьютеров, разработки сверхточных сенсоров и раскрытия пока ещё загадочных областей физики.
В попытке разработать более эффективный способ изучения квантовых систем, команда исследователей создала новую технику под названием «устойчивые мелкие тени». Этот подход позволяет измерять и понимать квантовые системы более эффективно, даже при наличии значительного шума или ошибок в системе.Квантовая угроза безопасности – Готов ли мир к взлому шифрования
Создание «теней» квантовых состояний
Чтобы понять, что происходит в квантовой системе, учёные обычно выполняют процедуру, называемую квантовой томографией состояний (метод реконструкции полного описания квантового состояния системы путём множественных измерений его различных аспектов, подобно созданию 3D-изображения из 2D-срезов в медицинской томографии).
Представьте, что вы пытаетесь определить форму затенённого объекта, освещая его с разных углов и изучая отбрасываемые тени — такова основная идея. Однако квантовые системы гораздо сложнее обычных теней, а шум из окружающей среды значительно усложняет задачу.
Чтобы решить эту проблему, авторы исследования разработали метод, использующий случайные мелкие квантовые схемы (quantum circuits – последовательности квантовых операций; «мелкие» означает, что они относительно коротки и просты, что снижает вероятность накопления ошибок во время вычислений).
Эти схемы создают случайные представления квантовой системы, подобно получению размытых снимков с разных ракурсов. Затем наступает самая хитрая часть: вместо того, чтобы пытаться устранить шум заранее (что сложно), команда использовала технику байесовского вывода уже после проведения измерений.
Этот статистический инструмент помогает сделать наилучшее возможное предположение о том, что на самом деле происходит в системе, основываясь на зашумленных данных и вероятности возникновения определённых ошибок.
Это похоже на использование размытых изображений с последующим применением «умной» математики для восстановления их первоначального вида.
При тестировании этой техники на квантовом оборудовании IBM исследователи обнаружили, что их метод позволяет оценивать такие свойства, как энтропия запутанности (мера квантовой взаимосвязи или корреляции между различными частями системы) и точность воспроизведения (fidelity – показатель того, насколько измеренное квантовое состояние соответствует ожидаемому или идеальному состоянию), гораздо эффективнее предыдущих методов.
Он хорошо работал даже в условиях шума, не требуя громоздких установок и множества повторных измерений.
«Во время этих экспериментов мы показали, что наш протокол устойчивых мелких теней может эффективно восстанавливать несмещенные оценки для широкого спектра наблюдаемых физических величин, которые можно измерить в квантовой системе на неизвестных квантовых состояниях, даже в присутствии шума», — отмечают авторы исследования.
Метод пока не идеален
В целом, метод устойчивых мелких теней значительно эффективнее и масштабируемее старых подходов.
Этот подход особенно ценен сейчас, когда современные квантовые компьютеры всё ещё невелики и подвержены шуму (эпоха NISQ — Noisy Intermediate-Scale Quantum).
«Эта устойчивость к шуму особенно важна для многочисленных применений метода классических теней в квантовом машинном обучении, квантовой химии и квантовой физике многих тел», — добавили учёные.
Однако, хотя эта техника и сокращает необходимое количество измерений, существует компромисс: попытка скорректировать шум с помощью статистики вносит некоторую дополнительную неопределённость в конечный результат.
Авторы исследования предполагают, что улучшение статистических моделей и их объединение с системой обратной связи в реальном времени могут уменьшить неопределённости и сделать технику более надёжной. Есть надежда, что дальнейшие исследования позволят достичь этих улучшений.
Поделись видео:
