Normalizing Flow-Based Bayesian Parameter Estimation for Noisy Quantum States

In de vreemde wereld van de kwantumfysica gedragen deeltjes zich niet als de solide objecten die we dagelijks zien. In plaats daarvan bestaan ze in een waas van waarschijnlijkheden, beschreven door een wiskundig object dat een kwantumtoestand wordt genoemd. Voor wetenschappers die proberen kwantumcomputers of beveiligde communicatienetwerken te bouwen, is het cruciaal om precies te weten wat deze toestand op elk gegeven moment is. Het meten van deze toestanden is echter berucht moeilijk. De handeling van het observeren van een kwantumsysteem verstoort het, en de verzamelde gegevens zijn vaak rommelig, vol ruis van de omgeving. Decennialang hebben onderzoekers vertrouwd op methoden die proberen de beste "gok" te vinden voor hoe de toestand eruitziet, waarbij ze in essentie één antwoord kiezen uit een zee van mogelijkheden. Hoewel deze aanpak werkt, gooit het een enorme hoeveelheid informatie weg over de onzekerheid en de relaties tussen de verschillende factoren die de toestand hebben gecreëerd.

Een team natuurkundigen heeft nu een nieuwe manier ontwikkeld om naar dit probleem te kijken, een manier die de rommeligheid omarmt in plaats van te proberen deze te negeren. Door geavanceerde machine learning te combineren met een statistische benadering die bekend staat als Bayesiaanse inferentie, creëerden zij een raamwerk dat niet alleen één enkel beste antwoord vindt. In plaats daarvan brengt het het volledige landschap van mogelijke antwoorden in kaart, waarbij wordt getoond hoe verschillende experimentele instellingen en ruisbronnen met elkaar verbonden zijn. Ze testten deze methode op een specifiek type kwantumtoestand dat een optische kattoestand wordt genoemd, een delicate superpositie van lichtgolven die essentieel is voor toekomstige kwantumtechnologieën. Hun werk onthult hoe de specifieke instellingen van hun lasers en de onvermijdelijke thermische ruis in hun apparatuur de uiteindelijke kwantumtoestand vormen, wat een veel duidelijker beeld geeft van de fysieke processen die in het spel zijn dan eerdere methoden konden bieden.

De onderzoekers richtten zich op een specifieke uitdaging in de kwantumoptica: het begrijpen van hoe een "ruisige" kwantumtoestand wordt gevormd. In hun experimenten genereerden ze deze toestanden door een samengeperste toestand van licht (een squeezed state)—een speciaal soort licht waarbij de onzekerheid in één eigenschap is verminderd—te nemen en daar enkele fotonen aan toe te voegen. Dit proces is bedoeld om een hoogst niet-klassieke toestand te creëren, maar in de werkelijkheid is de apparatuur nooit perfect. Het licht kan worden aangetast door warmte, de lasers kunnen fluctueren, en het proces van het toevoegen van een foton is niet altijd succesvol. Traditionele methoden zouden proberen de uiteindelijke toestand als geheel te reconstrueren, maar dit verduwt vaak de specifieke oorzaken van de imperfecties. Het team wilde niet alleen weten wat de toestand was, maar ook precies hoeveel ervan voortkwam uit de gewenste foton-toevoeging, hoeveel het kwam door thermische ruis, en hoe het vermogen van de lasers deze factoren beïnvloedde.

Om dit op te lossen, bouwden ze een machine learning-model dat fungeert als een verfijnde vertaler. Ze begonnen met het definiëren van een set fysieke parameters die hun experiment beschrijven, zoals de sterkte van de laser, de hoeveelheid thermische ruis en het deel van de toestand dat succesvol een extra foton heeft ontvangen. Vervolgens gebruikten ze een techniek genaamd 'normalizing flow', een type neuraal netwerk dat ontworpen is om eenvoudige, willekeurige gegevens te transformeren in complexe, gestructureerde patronen. In dit geval leerde het netwerk om willekeurige monsters te nemen en deze om te zetten in realistische sets fysieke parameters die de geobserveerde experimentele gegevens hadden kunnen produceren. Cruciaal was dat ze fysieke regels direct in het netwerk bouwden, waardoor de door het netwerk gegenereerde parameters altijd logisch waren, zoals kansen die optellen tot één of laservermogens die binnen veilige grenzen blijven.

Het team splitste hun experimentele gegevens in twee delen. Eén deel werd gebruikt om het toneel te bereiden, waarbij het model hielp om het algemene bereik van waarden te begrijpen waar de parameters binnen kunnen vallen op basis van voorkennis en initiële metingen. Het andere deel werd gebruikt om het model te testen, om te zien hoe goed verschillende combinaties van parameters de werkelijke metingen konden verklaren. Door dit proces duizenden keren uit te voeren, kwam het model niet tot één enkele set getallen. In plaats daarvan produceerde het een distributie, een wolk van mogelijkheden die niet alleen de meest waarschijnlijke waarden voor elke parameter liet zien, maar ook hoe onzeker die waarden waren en hoe ze van elkaar afhankelijk waren. Dit stelde hen in staat om bijvoorbeeld te zien dat als de thermische ruis toenam, de kwantum-"vreemdheid" van de toestand op een voorspelbare manier afnam.

Wanneer ze dit raamwerk toepasten op hun gegevens, waren de resultaten onthullend. Ze ontdekten dat naarmate ze het vermogen van de laser verhoogden die werd gebruikt om de initiële samengeperste toestand te creëren, de hoeveelheid thermische ruis in het systeem groeide, wat op zijn beurt de onderscheidende kwantumkenmerken van de toestand verminderde. Echter, het deel van de toestand dat succesvol een foton had toegevoegd, bleef relatief stabiel. Het model onthulde ook een sterke verbinding tussen de hoeveelheid foton-toevoeging en de "negativiteit" van de toestand, een specifieke maatstaf voor hoe niet-klassiek deze is. Hoe meer fotonen werden toegevoegd, hoe negatiever deze waarde werd, wat de theoretische verwachting bevestigt dat dit proces het systeem verder in het kwantumdomein drijft. Omgekeerd had de thermische ruis een veel zwakker effect op dit specifieke kenmerk, wat suggereert dat het kwantumkarakter van de toestand robuust is tegen bepaalde soorten degradatie, maar gevoelig is voor andere.

De onderzoekers testten ook of hun model complexe scenario's kon aan kunnen. Ze introduceerden een tweede versie van hun model die rekening hield met een subtiel effect waarbij licht kan terugkaatsen en de positie van de golf kan verschuiven. Zelfs met deze extra variabelen presteerde het raamwerk goed, wat aantoonde dat het kan worden aangepast aan complexere fysieke beschrijvingen zonder uit te vallen. Bij het vergelijken van hun resultaten met oudere methoden, stelden ze vast dat hun aanpak vaak een betere match bood met de experimentele gegevens, met name in het vastleggen van de subtiele variaties in de eigenschappen van het licht. Dit suggereert dat door naar het volledige bereik van mogelijkheden te kijken in plaats van naar slechts één gemiddelde, ze meer accurate informatie konden extraheren uit dezelfde ruisige metingen.

Uiteindelijk biedt dit werk een nieuw instrument voor zowel experimentatoren als theoretici. Het gaat verder dan de eenvoudige vraag "wat is de toestand?" en vraagt "hoe is de toestand zo gekomen?". Door een gedetailleerde kaart te bieden van de relaties tussen experimentele instellingen, ruisbronnen en de uiteindelijke kwantumkenmerken, helpt het raamwerk wetenschappers om te identificeren welke onderdelen van hun opstelling goed werken en welke problemen veroorzaken. Dit is essentieel voor het bouwen van betere kwantumapparaten, omdat het onderzoekers in staat stelt exact aan te wijzen welke parameters moeten worden aangepast om de prestaties te verbeteren. De studie demonstreert dat het met de juiste combinatie van machine learning en statistisch redeneren mogelijk is om de chaotische ruis van een echt experiment om te zetten in een helder, interpreteerbaar verhaal over de onderliggende fysica.