Experimentally Extending Quantum Kernel Learning to Quantum Data by NMR

Machine learning is een krachtig hulpmiddel geworden voor het vinden van patronen in enorme hoeveelheden informatie, van het voorspellen van het weer tot het herkennen van gezichten. Echter, wanneer de data zelf afkomstig is uit de kwantumwereld—het domein van atomen en subatomaire deeltjes waar de regels van de fysica heel anders werken—hebben standaard computerprogramma's vaak moeite. Ze zijn ontworogen om klassieke informatie te verwerken, zoals getallen en afbeeldingen, maar ze kunnen de complexe, onzichtbare structuren van kwantumsystemen niet gemakkelijk verwerken zonder ze eerst te vertalen naar een vorm die veel van hun unieke karakter verliest. Wetenschappers hebben lang theoretisch gesteld dat als we machines zouden kunnen leren direct van kwantumdata te leren, gebruikmakend van de natuurlijke eigenschappen van kwantumsystemen om het werk te doen, we een nieuw niveau van efficiëntie zouden kunnen ontsluiten. Dit idee bevindt zich op het snijvlak van twee snel voortschrijdende velden: kwantuminformatiewetenschap, die onderzoekt hoe kwantummechanica voor berekeningen kan worden gebruikt, en statistisch leren, wat computers leert om voorspellingen te doen. De uitdaging is geweest om van theorie naar praktijk te gaan, door te bewijzen dat een machine daadwerkelijk kan leren van kwantuminput zonder dat daarvoor een enorme, foutvrije kwantumcomputer nodig is.

Een team onderzoekers aan het Indian Institute of Science Education and Research in Pune heeft nu een belangrijke stap gezet om dit werkelijkheid te maken. Ze hebben succesvol een methode gedemonstreerd genaamd quantum kernel learning op een fysiek kwantumapparaat, waarbij ze lieten zien dat het niet alleen standaard data kan verwerken, maar ook direct kan leren van kwantumoperatoren, wat de wiskundige beschrijvingen zijn van hoe kwantumsystemen veranderen. Hun werk, uitgevoerd met een liquid-state nuclear magnetic resonance systeem—een techniek die de magnetische eigenschappen van atoomkernen in moleculen gebruikt om als een kwantumprocessor te fungeren—bewijst dat deze machines complexe patronen in kwantumdata kunnen identificeren die traditionele methoden missen. Door hun systeem te trainen op een specifieke set kwantumoperaties, lieten ze zien dat het nieuwe, ongeziene operaties met een hoge nauwkeurigheid correct kon classificeren, zelfs wanneer die nieuwe operaties volledig anders waren dan de operaties die het eerder had bestudeerd. Dit suggereert dat de methode de diepe, onderliggende structuur van de kwantumwereld vastlegt, waardoor het zijn kennis ver kan generaliseren buiten de oorspronkelijke training.

Om te begrijpen wat het team heeft bereikt, helpt het om te kijken naar hoe zij het probleem in twee fasen hebben aangepakt. Eerst testten ze hun systeem op klassieke data, wat het soort informatie is dat we dagelijks gebruiken, zoals getallen die een curve of een reeks punten op een grafiek vertegenwoordigen. Ze gebruikten een molecuul genaamd trimethylfosfiet, dat tien atoomkernen bevat die fungeren als qubits, de basisunits van kwantuminformatie. In deze opstelling is één centrale kern verbonden met negen andere, wat een sterachtige vorm vormt. De onderzoekers codeerden klassieke getallen in het kwantumsysteem door specifieke magnetische pulsen toe te passen die de spins van deze kernen lieten roteren. Ze maten vervolgens hoe het systeem reageerde op paren van deze getallen om een "kernel" te creëren, wat in essentie een maat is voor hoe vergelijkbaar twee datapunten zijn in een hoogdimensionale ruimte. De resultaten waren indrukwekkend: het systeem kon de vorm van een sinusgolf en een complexe polynoomcurve voorspellen met meer dan 98% nauwkeurigheid, en het kon twee verschillende soorten datapunten in een tweedimensionale ruimte scheiden met zeer weinig fouten. Dit bevestigde dat hun kwanthardware betrouwbaar standaard machine learning-taken kon uitvoeren.

De echte doorbraak kwam echter toen ze verder gingen dan klassieke data om de veel moeilijkere taak aan te pakken van het leren van kwantumdata zelf. In deze tweede fase was de input voor hun machine geen getal, maar een kwantumoperator—een beschrijving van een transformatie die de staat van een kwantumsysteem verandert. Specifiek wilden ze weten of het systeem onderscheid kon maken tussen twee soorten transformaties: die "verstrengeling" (entanglement) creëren, een unieke kwantumverbinding waarbij deeltjes aan elkaar gelinkt raken ongeacht de afstand, en die dat niet doen. Hiervoor gebruikten ze een ander molecuul, dibromofluormethaan, dat een driekubitsysteem bood in een dubbellaagse sterstructuur. Ze voedden de machine diverse kwantumoperatoren, waarvan sommige bekend stonden als creëerders van verstrengeling en andere niet, en vroegen het systeem om het verschil te leren.

De resultaten van dit experiment waren opmerkelijk en benadrukten een cruciaal voordeel van direct leren van kwantumdata. Wanneer de onderzoekers een traditionele aanpak simuleerden, waarbij ze probeerden de kwantumoperatoren te beschrijven met behulp van een set klassieke parameters, slaagde het systeem er niet in om te generaliseren. Het kon alleen de patronen herkennen die het tijdens de training had gezien en faalde volledig wanneer het werd geconfronteerd met nieuwe data buiten dat specifieke bereik. In contrast hiermee bereikte de quantum kernel learning-methode, die de operatoren direct verwerkte zonder ze om te zetten in klassieke getallen, een nauwkeurigheid van 85% op de experimentele data en 94% in numerieke simulaties. Cruciaal was dat het model alleen getraind was op operatoren uit de ene helft van het mogelijke bereik van variaties, en toch identificeerde het succesvol de verstrengelende operatoren in de andere helft, een regio die het nog nooit eerder had gezien. Dit vermogen om te generaliseren suggereert dat de kwantum kernel-methode niet simpelweg voorbeelden aan het memoriseren is, maar daadwerkelijk de fundamentele symmetrie en structuur van de ruimte van kwantumoperatoren leert.

Dit werk demonstreert dat kwantummachines kunnen leren van kwantuminput op een manier die klassieke computers niet gemakkelijk kunnen repliceren. De onderzoekers toonden aan dat door de natuurlijke taal van de kwantummechanica te gebruiken, ze kwantumoperaties direct konden vergelijken, waardoor de noodzaak voor dure en complexe meettechnieken die anders nodig zouden zijn om de data te begrijpen, werd vermeden. Hoewel het experiment op kleine schaal werd uitgevoerd met een gespecialiseerd NMR-platform, bieden de bevindingen een praktisch stappenplan voor hoe kwantumcomputers uiteindelijk gebruikt kunnen worden om andere kwantumsystemen te analyseren en te leren van. Dit zou diepgaande implicaties kunnen hebben voor het begrijpen van complexe materialen, het simuleren van hogere fysica en het ontwikkelen van nieuwe kwantumtechnologieën, aangezien het een manier biedt om betekenisvolle patronen uit de kwantumwereld te extraheren zonder de informatie die het uniek maakt te verliezen. De studie bevestigt dat quantum kernel learning een levensvatbaar pad voorwaarts is, dat een instrument biedt dat de verborgen orde in kwantumdata kan zien waar andere methoden tekortschieten.