Machine Learning of Quantum Entanglement from Noisy Measurements

Stellen Sie sich vor, Sie versuchen herauszufinden, ob zwei magische Würfel durch einen unsichtbaren Faden geheim miteinander verbunden sind. In der Welt der Quantenphysik wird dieser „unsichtbare Faden“ als Verschränkung bezeichnet. Wenn Teilchen verschränkt sind, agieren sie wie ein einziges Team, egal wie weit sie voneinander entfernt sind; wenn Sie einen würfeln und eine Sechs erhalten, zeigt das andere Teilchen augenblicklich ebenfalls eine bestimmte Zahl an. Dies ist nicht nur ein cooler Trick; es ist die Superkraft hinter zukünftigen Technologien wie dem unhackbaren Internet oder superschnellen Computern.

Um zu überprüfen, ob Teilchen tatsächlich verschränkt sind, spielen Wissenschaftler normalerweise ein Spiel namens „Rekonstruktion des Puzzles“. Sie nehmen tausende von Messungen vor, betreiben schwere Mathematik, um ein vollständiges Bild der Teilchen wieder aufzubauen (eine sogenannte Dichtematrix), und suchen in diesem Bild nach dem unsichtbaren Faden. Es ist, als würde man versuchen, den Geschmack eines Kuchens zu erraten, indem man einen ganz neuen Kuchen von Grund auf neu backt, nur um dann ein Krümelchen zu probieren. Aber was wäre, wenn man einfach nur auf die Krümel auf dem Tisch schauen könnte und die Geschmacksrichtung sofort wüsste? Das ist die große Frage, die dieses Paper stellt: Können wir die schwere Mathematik überspringen und intelligente Computerprogramme nutzen, um Verschränkung direkt aus den Rohdaten zu erkennen?

Die magischen Krümel und die klugen Ratgeber

In dieser Studie beschlossen Forscher zu testen, ob Maschinelles Lernen (ML) – die Art von Computerintelligenz, die Ihrem Handy hilft, Gesichter zu erkennen – Verschränkung erkennen kann, ohne die schwere Arbeit zu leisten, das gesamte Quantenbild wieder aufzubauen. Sie konzentrierten sich auf Paare von Lichtteilchen, Photonen, die oft in Quantenexperimenten verwendet werden, da sie leicht durch Kabel oder durch die Luft zu senden sind.

Normalerweise verwenden Wissenschaftler, um diese Photonen zu verstehen, ein spezielles Messwerkzeug namens SIC-POVM. Stellen Sie sich dies als einen 16-seitigen Würfel vor, den man wirft, um zu sehen, wie sich die Photonen verhalten. Jedes Mal, wenn man ihn wirft, erhält man eine Zahl, und nachdem man ihn viele Male geworfen hat, erhält man eine Liste von 16 Zahlen (einen Vektor). In der realen Welt sind diese Zahlen unordentlich aufgrund von „Schrotrauschen“ (Shot Noise) – im Grunde der Zufälligkeit beim Zählen einzelner Photonen, vergleichbar mit dem Versuch, Regentropfen während eines Sturms zu zählen.

Die Forscher simulierten ein massives Experiment, bei dem sie zwei Arten von Datensätzen erstellten, um zu sehen, ob ein Computer den Unterschied zwischen „verknüpften“ (verschränkten) und „unverknüpften“ (separablen) Photonen allein durch das Betrachten dieser unordentlichen Listen von 16 Zahlen lernen kann.

Der erste Test: Das einfache „Ja oder Nein“-Spiel

Zuerst erstellten sie einen Datensatz mit zwei sehr klaren Gruppen: Photonen, die definitiv separabel (nicht verknüpft) waren, und Photonen, die maximal verschränkt (super verknüpft) waren. Sie generierten 20.000 Beispiele dieser „Krümel-Listen“.

Sie brachten fünf verschiedene Arten von Machine-Learning-Algorithmen bei, ein Spiel zu spielen: „Schau dir diese Liste von 16 Zahlen an. Ist sie verknüpft oder nicht?“

• Die Ergebnisse: Die Computer waren unglaublich gut darin. Wenn sie eine normale Menge an Trainingsdaten erhielten, erreichten Algorithmen wie Support Vector Machines (SVC) und Random Forests eine perfekte Punktzahl von 1,0000 (100 % Genauigkeit). Sie konnten den Unterschied sofort erkennen.
• Die „Tiny Data“-Herausforderung: Um zu testen, wie belastbar diese Algorithmen sind, gaben die Forscher ihnen fast gar keine Trainingsdaten – nur 40 Beispiele (20 verknüpft und 20 unverknüpft), um daraus zu lernen. Das ist so, als würde man eine neue Sprache lernen, indem man nur zwei Sätze liest. Selbst mit dieser winzigen Stichprobe erreichten die Algorithmen K-Nearest Neighbors, SVC und Random Forest immer noch 100 % Genauigkeit im Test.
• Der Hinweis: Die Forscher versuchten auch, den Computer die Daten gruppieren zu lassen, ohne ihm zu sagen, welche zu welcher Gruppe gehören (unüberwachtes Clustering). Der Computer teilte die 20.000 Listen natürlich in zwei perfekte Gruppen auf, mit nur 5 Fehlern unter 20.000. Dies deutet darauf hin, dass die „Form“ der Daten für verknüpfte Photonen natürlich anders ist als für unverknüpfte, selbst mit dem Rauschen.

Der zweite Test: Das „Vielleicht“-Spiel

Der erste Test war einfach, weil die Gruppen weit auseinanderlagen. Aber in der realen Welt ist Verschränkung nicht nur „Ja“ oder „Nein“; sie kann „ein bisschen verknüpft“ oder „sehr verknüpft“ sein. Um dies zu testen, verwendeten die Forscher Werner-Zustände, eine Familie von Quantenzuständen, die von „komplett unverknüpft“ bis „perfekt verknüpft“ abgestimmt werden können.

Sie erstellten einen massiven Datensatz von 250.000 Beispielen, der jedes Level an Verschränkung abdeckt.

• Klassifizierung: Die Computer machten immer noch eine großartige Arbeit dabei, „verknüpft“ von „unverknüpft“ zu unterscheiden. Der beste Algorithmus, SVC, erreichte eine Genauigkeit von 0,99498 (etwa 99,5 %).
• Die Schwachstelle: Die Forscher bemerkten, dass die Computer meistens in den „Grenzbereichen“ Fehler machten, in denen ein Zustand gerade erst beginnt, verschränkt zu werden. Es ist, als würde man versuchen zu entscheiden, ob ein Glas „halb voll“ oder „halb leer“ ist, wenn der Wasserspiegel im Wind schwankt. Das Rauschen machte es schwierig, die sehr schwach verknüpften Zustände von den unverknüpften zu unterscheiden.
• Die Regression (Das „Wie viel?“-Spiel): Anstatt nur „Ja“ oder „Nein“ zu sagen, fragten die Forscher die Computer nach dem exakten Ausmaß der Verschränkung (einer Zahl zwischen 0 und 1). Sie verwendeten zwei Methoden: Support Vector Regression (SVR) und Random Forest Regressor (RFR).
  • Das RFR-Modell, das auf allen 250.000 Beispielen trainiert wurde, war der Star. Es sagte die Menge der Verschränkung mit einer Genauigkeit (R²) von 0,99947 voraus.
  • Die große Überraschung: Sie verglichen dies mit der herkömmlichen Methode, das gesamte Quantenbild wieder aufzubauen (Quantum State Tomography oder QST). Die QST-Methode hatte eine Fehlerrate von 0,0066, während die RFR-Methode sogar besser war, mit einer Fehlerrate von nur 0,00315.

Was das bedeutet

Das Paper zeigt, dass man nicht immer die schwere Mathematik betreiben muss, um das gesamte Quantenbild wieder aufzubauen, um zu wissen, ob Teilchen verschränkt sind. In diesen Simulationen, die realistisches „Regentropfen“-Rauschen (Poissonische Schrotrausch-Verteilung) enthielten, konnte Machine Learning direkt auf die rohen Messdaten zugreifen und sagen: „Diese sind verknüpft“ oder sogar „Diese sind zu 85 % verknüpft“ – und das mit unglaublicher Geschwindigkeit und Genauigkeit.

Die Forscher fanden heraus, dass die „Form“ der Daten in diesem 16-dimensionalen Raum das Geheimnis der Verschränkung birgt und dass intelligente Algorithmen diese Form finden können, selbst wenn die Daten unordentlich sind. Obwohl diese Studie mit simulierten Daten durchgeführt wurde und noch nicht jeden mögliche Fehler der realen Welt berücksichtigt (wie defekte Detektoren oder Signalverluste), beweist sie, dass Machine Learning ein mächtiges neues Werkzeug ist. Sie legt nahe, dass wir in Zukunft in der Lage sein könnten, Quantenexperimente in Echtzeit zu analysieren, indem wir die langsamen, komplexen mathematischen Schritte überspringen und direkt zur Antwort kommen.