محققان با نشان دادن اینکه چگونه شبکه‌های عصبی کوانتومی می‌توانند سیستم‌های کوانتومی را با استفاده از چند حالت ضربی ساده درک و پیش‌بینی کنند، در محاسبات کوانتومی پیشرفتی اساسی ایجاد کرده‌اند که به طور بالقوه منجر به رایانه‌های کوانتومی کارآمدتر و قابل اعتمادتر می‌شود.
دنیایی را تصور کنید که در آن رایانه‌ها می‌توانند اسرار مکانیک کوانتومی را کشف کنند و ما را قادر به مطالعه رفتار مواد پیچیده یا شبیه‌سازی دینامیک پیچیده مولکول‌ها با دقت بی‌سابقه‌ای کنند. محققین دانشگاه EPFL و Caltech، دانشگاه آزاد برلین و ازمایشگاه Los Almos، روش جدیدی برای Train یک کامپیوتر کوانتومی پیدا کرده‌اند که چگونه رفتار سیستم‌های کوانتومی را درک و پیش‌بینی کند.
محققان روی «شبکه‌های عصبی کوانتومی» (QNN) کار کردند، نوعی مدل یادگیری ماشینی که برای یادگیری و پردازش اطلاعات با استفاده از اصول الهام‌گرفته از مکانیک کوانتومی به منظور تقلید از رفتار سیستم‌های کوانتومی طراحی شده است. درست مانند شبکه های عصبی مورد استفاده در هوش مصنوعی، QNN ها از گره های به هم پیوسته یا "نرون ها" ساخته شده اند که محاسبات را انجام می دهند. تفاوت این است که در QNN ها، نورون ها بر اساس اصول مکانیک کوانتومی عمل می کنند و به آنها اجازه می دهد اطلاعات کوانتومی را مدیریت و دستکاری کنند.
معمولاً وقتی چیزی به رایانه یاد می دهیم، به مثال های زیادی نیاز داریم. اما در این مطالعه، نشان دادند که تنها با چند مثال ساده به نام «وضعیت‌های ضربی»، رایانه می‌تواند یاد بگیرد که یک سیستم کوانتومی چگونه رفتار می‌کند، حتی زمانی که با حالت‌های درهم تنیده سروکار دارد، که درک آنها پیچیده‌تر و چالش برانگیزتر است.
«وضعیت ضربی (Product State)» که دانشمندان استفاده کردند به مفهومی در مکانیک کوانتومی اشاره دارد که نوع خاصی از حالت را برای یک سیستم کوانتومی توصیف می کند. به عنوان مثال، اگر یک سیستم کوانتومی از دو الکترون تشکیل شده باشد، حالت ضربی آن زمانی شکل می‌گیرد که حالت تک تک الکترون‌ها به طور مستقل در نظر گرفته شود و سپس ترکیب شود. حالت‌های ضربی اغلب به عنوان نقطه شروع در محاسبات و اندازه‌گیری‌های کوانتومی استفاده می‌شوند، زیرا چارچوبی ساده‌تر و قابل کنترل‌تر برای مطالعه و درک رفتار سیستم‌های کوانتومی قبل از رفتن به حالت‌های پیچیده‌تر و درهم‌تنیده‌تر فراهم می‌کنند که در آن ذرات همبستگی دارند. لذا میتوان با کامپیوتر های فعلی NISQ نیز مسائل مفیدی را حل کرد.
این کار همچنین فرصت‌های جدیدی را برای استفاده از رایانه‌های کوانتومی برای حل مسائل مهمی مانند مطالعه مواد پیچیده جدید یا شبیه‌سازی رفتار مولکول‌ها باز می‌کند. این روش با ایجاد امکان ایجاد برنامه‌های کوتاه‌تر و مقاوم‌تر در برابر خطا، عملکرد رایانه‌های کوانتومی را بهبود می‌بخشد. با یادگیری نحوه رفتار سیستم‌های کوانتومی، می‌توانیم برنامه‌نویسی رایانه‌های کوانتومی را ساده‌سازی کنیم که منجر به بهبود کارایی و قابلیت اطمینان می‌شود.
یادگیری ماشین کوانتومی نسبت به انواع دیگر الگوریتم‌ها نویز بیشتری را تحمل می‌کند، زیرا کارهایی مانند طبقه‌بندی، جزء اصلی یادگیری ماشین، برای ارائه یک نتیجه مفید به دقت ۱۰۰٪ نیاز ندارند. مقاله جدید نشان می‌دهد که استفاده از داده‌های ساده‌تر به یک مدار کوانتومی کم‌پیچیده‌تر اجازه می‌دهد تا حالت کوانتومی معینی را روی رایانه آماده کند، مانند شبیه‌سازی شیمی کوانتومی که تکامل سیستمی از مولکول‌ها را نشان می‌دهد. پیاده سازی یک مدار ساده آسان است، نویز کمتری دارد و بنابراین می تواند یک محاسبات را کامل کند.
این تحقیقات کاربردهایی در زمینه سنجش کوانتومی نیز دارد. به عنوان مثال، استفاده از اصول خاصی از مکانیک کوانتومی، ساخت دستگاه‌های بسیار حساسی را برای اندازه‌گیری میدان‌های گرانشی یا میدان‌های مغناطیسی ممکن می‌سازد. روش‌های سنجش کوانتومی در غیاب نویز ساده هستند و از نظر تئوری به خوبی درک می‌شوند، اما وقتی نویز در نظر گرفته می‌شود، وضعیت بسیار درگیر می‌شود. افزودن یادگیری ماشین کوانتومی به پروتکل سنجش کوانتومی به شما این امکان را می‌دهد که این روش را زمانی که مکانیسم رمزگذاری ناشناخته است یا نویز سخت‌افزاری بر کاوشگر کوانتومی تأثیر می‌گذارد، اعمال کنید.
لینک مقاله:
