B e F rappresentano rispettivamente gli stati di ingresso e di uscita di un sistema quantistico. E è un sistema ausiliario necessario per passare la sequenza degli stati di input B al serbatoio quantistico S. S può quindi essere letto per emulare F senza interrompere il sistema. Credito: ©2021 Tran et al.

È probabile che le tecnologie che sfruttano i nuovi comportamenti della meccanica quantistica diventino comuni nel prossimo futuro. Questi possono includere dispositivi che utilizzano informazioni quantistiche come dati di input e output, che richiedono un’attenta verifica a causa di incertezze intrinseche. La verifica è più impegnativa se il dispositivo è dipendente dal tempo quando l’output dipende da input passati. Per la prima volta, i ricercatori che utilizzano l’apprendimento automatico hanno notevolmente migliorato l’efficienza della verifica per i dispositivi quantistici dipendenti dal tempo incorporando un certo effetto memoria presente in questi sistemi.

I computer quantistici fanno notizia sulla stampa scientifica, ma la maggior parte degli esperti ritiene che queste macchine siano ancora agli inizi. Un Internet quantistico, tuttavia, potrebbe essere un po’ più vicino al presente. Ciò offrirebbe significativi vantaggi in termini di sicurezza rispetto alla nostra attuale Internet, tra le altre cose. Ma anche questo farà affidamento su tecnologie che devono ancora vedere la luce del giorno al di fuori del laboratorio. Sebbene molti elementi fondamentali dei dispositivi che possono creare la nostra Internet quantistica possano essere stati elaborati, ci sono molte sfide ingegneristiche per realizzarli come prodotti. Ma sono in corso molte ricerche per creare strumenti per la progettazione di dispositivi quantistici.

Il ricercatore post-dottorato Quoc Hoan Tran e il Professore Associato Kohei Nakajima della Graduate School of Information Science and Technology dell’Università di Tokyo sono stati i pionieri di uno strumento del genere, che secondo loro potrebbe rendere la verifica del comportamento dei dispositivi quantistici un’impresa più efficiente e precisa di quanto non lo sia. è attualmente. Il loro contributo è un algoritmo in grado di ricostruire il funzionamento di un dispositivo quantistico dipendente dal tempo semplicemente apprendendo la relazione tra gli input e gli output quantistici. Questo approccio è in realtà comune quando si esplora un sistema fisico classico, ma le informazioni quantistiche sono generalmente difficili da memorizzare, il che di solito lo rende impossibile.

 
“La tecnica per descrivere un sistema quantistico basato sui suoi input e output è chiamata tomografia di processo quantistico”, ha affermato Tran. “Tuttavia, molti ricercatori ora riferiscono che i loro sistemi quantistici mostrano una sorta di effetto memoria in cui gli stati attuali sono influenzati da quelli precedenti. Ciò significa che una semplice ispezione degli stati di input e output non può descrivere la natura dipendente dal tempo del sistema. Potresti modellare il sistema ripetutamente dopo ogni cambiamento nel tempo, ma questo sarebbe estremamente inefficiente dal punto di vista computazionale. Il nostro obiettivo era quello di abbracciare questo effetto memoria e usarlo a nostro vantaggio piuttosto che usare la forza bruta per superarlo”.

Tran e Nakajima si sono rivolti all’apprendimento automatico e a una tecnica chiamata calcolo del serbatoio quantistico per costruire il loro nuovo algoritmo. Questo apprende schemi di input e output che cambiano nel tempo in un sistema quantistico e indovina efficacemente come cambieranno questi schemi, anche in situazioni a cui l’algoritmo non ha ancora assistito. Poiché non è necessario conoscere il funzionamento interno di un sistema quantistico come potrebbe fare un metodo più empirico, ma solo gli input e gli output, l’algoritmo del team può essere più semplice e produrre risultati anche più velocemente.

“Attualmente, il nostro algoritmo può emulare un certo tipo di sistema quantistico, ma i dispositivi ipotetici possono variare ampiamente nella loro capacità di elaborazione e avere diversi effetti sulla memoria. Quindi la prossima fase della ricerca sarà ampliare le capacità dei nostri algoritmi, essenzialmente rendendo qualcosa di più generale e quindi più utile”, ha affermato Tran. “Sono entusiasta di ciò che potrebbero fare i metodi di apprendimento automatico quantistico, dei dispositivi ipotetici a cui potrebbero portare”.

Di ihal

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. maggiori informazioni

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi