A Universal Entanglement Witness Generator

Stel je een wereld voor waarin deeltjes "verstrengeld" kunnen zijn, een spookachtige verbinding waarbij twee objecten een enkel bestaan delen, ongeacht hoe ver ze van elkaar verwijderd zijn. Als je de één verandert, verandert de ander onmiddellijk mee, alsof ze dansen op dezelfde onzichtbare muziek. Dit is geen magie; dit is het vreemde, wonderlijke hart van de kwantumfysica, en het is de motor achter de volgende generatie supercomputers, onkraakbare codes en ultrasensitieve sensoren. Maar hier zit de crux: om deze kracht te kunnen gebruiken, moeten wetenschappers eerst bewijzen dat de deeltjes daadwerkelijk verstrengeld zijn en niet gewoon vreemd gedrag vertonen op hun eigen manier.

Om dit te doen, gebruiken ze een hulpmiddel dat een "entanglement witness" (verstrengelingsgetuige) wordt genoemd. Denk aan een hoogtechnologische metaaldetector voor kwantumtoestanden. Je beweegt hem over je systeem, en als hij piept, weet je dat je verstrengeling hebt gevonden. Maar het bouwen van een goede metaaldetector is lastig. Als hij te gevoelig is, kan hij afgaan bij een onschuldige steen (een vals alarm); als hij te bot is, kan hij een verborgen schat missen (een gemiste detectie). Bovendien is de echte wereld rommelig. Ruis van warmte, trillingen of storende signalen kan het signaal overstemmen. Lange tijd moesten wetenschappers kiezen tussen detectoren die zeer nauwkeurig waren maar duizenden metingen vereisten (wat een eeuwigheid duurde en enorme hoeveelheden data vereiste) of detectoren die snel waren maar gemakkelijk werden gefopt door ruis. Ze hadden een manier nodig om een detector te bouwen die zowel snel als robuust was, zonder dat ze hiervoor een kwantumgenie hoefden te zijn.

Hier begint het verhaal van de "Universal Entanglement Witness Generator". Een team onderzoekers aan de Universiteit van Toronto heeft een nieuw soort machine learning-tool gebouwd die fungeert als een meester-ambachtsman voor deze kwantumdetectoren. In plaats van dat een mens handmatig de perfecte instellingen probeert te berekenen voor een specifociaal type deeltje, neemt dit computerprogramma een foto van de doelwitte kwantumtoestand en vraagt: "Hoeveel metingen ben je bereid te doen?" De gebruiker kan zeggen: "Ik heb maar tijd voor twee metingen," of "Ik kan er tien doen," en de machine ontwerpt onmiddellijk een op maat gemaakte witness die geoptimaliseerd is voor die limiet.

De methode van het team werkt in twee slimme fasen. Eerst bouwt het een "prototype" witness door te leren van een bibliotheek van eenvoudige, niet-verstrengelde toestanden. Het is alsof een student studeert voor een examen door te onthouden hoe een "normaal" antwoord eruitziet. Vervolgens gebruikt het een speciale "differentiaal programmering"-truc om de detector te verfijnen, zodat het niet per ongeluk een normale toestand als verstrengeld markeert. Deze stap is cruciaal omdat het garandeert dat de detector wiskundig perfect is voor de specifieke toestand waar hij naar zoekt.

Maar de echte magie gebeurt bij hun tweede techniek: "adversarial training" (adversariële training). Stel je een schaakspel voor waarbij de computer tegen zichzelf speelt. De ene kant probeert de beste witness te bouwen, terwijl de andere kant probeert een verraderlijke, ruisige toestand te vinden die de witness kan misleiden. Door constant dit spel te spelen, wordt de witness sterker en weerbaarder, en leert hij verstrengeling te herkennen, zelfs wanneer de ruis luid is. Het resultaat is een detector die ongelooflijk robuust is tegen ruis, en vaak veel minder metingen vereist dan elke eerdere methode.

De onderzoekers testten hun creatie op een grote verscheidenheid aan kwantumtoestanden, van eenvoudige paren deeltjes tot complexe groepen van wel zes qubits en zelfs hogere-dimensie deeltjes die "qudits" worden genoemd. In simulaties waren hun witnesses in staat om verstrengeling correct te identificeren in miljoenen testgevallen met perfecte nauwkeurigheid. Bijvoorbeeld, voor een specifieke complexe toestand die bekend staat als een "hypergraph state", vond hun methode een witness die slechts 4 metingen nodig had om een ruis-tolerantie te bereiken waar andere methoden 121 metingen voor nodig hadden. Dat is een enorme sprong in efficiëntie.

Ze stopten echter niet bij computersimulaties. Ze namen hun digitale ontwerpen mee naar de echte wereld. Met behulp van fotonen (lichtdeeltjes) in een laboratorium en supergeleidende circuits op de kwantumhardware van IBM, bevestigden ze dat hun witnesses precies werkten zoals voorspeld. Of de deeltjes nu gemaakt waren van licht of elektriciteit, de door machines ontworpen detectoren identificeerden verstrengeling succesvol, zelfs wanneer de omgeving ruisig was.

Het artikel sluit expliciet de mogelijkheid uit dat we de diepe algebraïsche geheimen van een kwantumtoestand moeten begrijpen om een detector voor die toestand te bouwen. Ze argumenteren tegen oudere methoden die vereisen dat een mens de specifieke "stabilizer"-eigenschappen van een toestand kent, of die vertrouwen op complexe wiskundige formules die niet altijd werken in een rommelige, echte wereld met ruis. Ze tonen ook aan dat, hoewel sommige oudere machine learning-methoden detectoren konden vinden, ze vaak vereisten dat de gebruiker moest raden hoeveel metingen er nodig zouden zijn, of dat ze niet konden garanderen dat de detector voor elk mogelijk scenario zou werken. Deze nieuwe aanpak verwijdert dat giswerk, waardoor iedereen het aantal metingen kan specificeren dat hij zich kan veroorloven. Hoewel de methode een geldige witness vindt wanneer er een bestaat, merken de auteurs op dat ze in bijna alle geteste gevallen witnesses produceren die alle bestaande methoden overtreffen in ruis-tolerantie en/of het aantal metingsinstellingen, hoewel ze erkennen dat het in specifieke gevallen mogelijk niet concurrerend is met analytische methoden wat betreft het gebruik van minder metingen of het bereiken van een hogere ruis-tolerantie.

De auteurs zijn vol vertrouwen in hun bevindingen, die ze hebben onderbouwd met zowel massale numerieke simulaties — waarbij ze getest hebben tegen 30 miljoen scheidbare toestanden voor een enkele 3-qubit witness — als fysieke experimenten op twee verschillende soorten kwantumhardware. Ze demonstreren dat hun methode werkt voor alles, van eenvoudige twee-deeltjes paren tot complexe, multi-deeltjes systemen, en voor deeltjes die meer dan alleen twee niveaus hebben (qubits) tot deeltjes die tien of meer niveaus hebben (qudits).

Kortom, dit artikel presenteert een universele, geautomatiseerde fabriek voor het bouwen van kwantumverstrengelingsdetectoren. Het verandelt een moeilijk, handmatig engineeringprobleem in een eenvoudig input-output proces: vertel de machine wat je wilt vinden en hoeveel tijd je hebt, en de machine geeft je een detector die vaak sterker en efficiënter is dan alles wat voorheen is gebouwd. Het suggereert dat de toekomst van kwantumtechnologie misschien niet afhangt van het beter worden in complexe wiskunde, maar van het laten doen van het zware werk door slimme algoritmen, waardoor het detecteren van de kwantumwereld sneller, goedkoper en toegankelijk wordt voor iedereen.