Dissipative phase transitions in quantum reservoir computing

In de wereld van quantumcomputing bestaat een hardnekkig geloof dat wrijving de vijand is. Decennialang hebben wetenschappers geprobeerd quantummechanische systemen perfect geïsoleerd te houden, uit angst dat elke interactie met de buitenwereld de delicate informatie die ze bevatten zou vernietigen. Deze wrijving, bekend als dissipatie, zorgt er meestal voor dat quantumtoestanden vervallen en hun kracht verliezen. Echter, een nieuw perspectief komt naar voren: als deze wrijving zorgvuldig wordt gecontroleerd, kan het een nuttig hulpmiddel worden in plaats van een destructieve kracht. Dit idee staat centraal in een veld genaamd quantum reservoir computing, een methode om machines te leren patronen in de tijd te herkennen. In plaats van elk onderdeel van een complex quantummechanisch systeem te trainen, gebruiken onderzoekers een vast, onveranderlijk quantummechanisch systeem om een stroom gegevens te verwerken. Het systeem vergeet van nature oude informatie terwijl het recente inputs vasthoudt, een eigenschap die 'fading memory' (vervagend geheugen) wordt genoemd, wat essentieel is voor het begrijpen van sequenties zoals spraak of trends op de aandelenmarkt. De grote vraag is geweest of het duwen van deze systemen naar de uiterste rand van een faseovergang — een punt waar hun gedrag drastisch verandert — ze nog beter zou kunnen maken in het onthouden en verwerken van informatie.

Een team onderzoekers aan het Beijing Institute of Technology heeft deze vraag verkend door twee verschillende soorten quantummechanische systemen te simuleren die constant energie worden aangevoerd en energie verliezen aan hun omgeving. Ze richtten zich op systemen die bekend staan als Kerr-reservoirs, wat in essentie containers van licht zijn die op een niet-lineaire manier met zichzelf interageren. De onderzoekers stelden twee verschillende scenario's op. In het eerste scenario creëerden ze een systeem dat een plotselinge, scherpe verandering in gedrag ondergaat, vergelijkbaar met water dat plotseling bevriest tot ijs. In het tweede scenario bouwden ze een systeem dat meer geleidelijk verandert, waarbij de symmetrie op een continue manier verschuift. Door deze systemen een stroom gegevens te voeren en te meten hoe goed ze in staat waren om eerdere inputs te reconstrueren of toekomstige patronen te voorspellen, ontdekte het team dat beide systemen het best presteerden wanneer ze vlak nabij deze faseovergangen opereerden. Dit bevestigde dat de rand van een faseovergang inderdaad een 'sweet spot' is voor computatie, maar het verhaal over waarom dit gebeurt bleek verrassender dan iedereen verwachtte.

Lama tijd suggereerde de leidende theorie dat de sleutel tot deze verbeterde prestaties lag in het vertragen van de relaxatie van het systeem. In de natuurkunde, wanneer een systeem wordt verstoord, komt het uiteindelijk weer tot rust; de tijd die het kost om dit te doen, wordt beheerst door een specifieke snelheidslimiet, vaak een 'gap' genoemd. Wanneer een systeem een faseovergang nadert, wordt er algemeen aangenomen dat deze snelheidslimiet tot een kruiptempo vertraagt, waardoor het systeem informatie voor een zeer lange tijd kan vasthouden. Het werd breed aangenomen dat deze extreme traagheid het geheime ingrediënt was voor een beter geheugen. Echter, de onderzoekers ontdekten dat deze aanname onjuist was. Door de complexe interne bewegingen van de quantummechanische systemen op te splitsen in hun individuele componenten, ontdekten zij dat de ultra-langzame component, de component die geassocieerd wordt met de faseovergang, eigenlijk zeer weinig bijdroeg aan het vermogen van het systeem om te onthouden. De werkelijke bron van de verbeterde prestaties lag elders.

De echte helden van het verhaal waren de snellere, eindige componenten van het systeem. Dit zijn de onderdelen van de quantummachine die met een gematigd tempo relaxeren, noch te snel om alles te vergeten, noch te traag om vast te lopen. De onderzoekers ontdekten dat nabij de faseovergangen de gehele groep van deze gematigde-snelheidscomponenten zichzelf reorganiseerde. Ze verschoven hun snelheden en interageerden op nieuwe manieren met elkaar, wat een collectief effect creëerde dat veel krachtiger was voor informatieverwerking dan de enkele langzaamste component ooit zou kunnen zijn. In het systeem met de plotselinge faseverandering creëerde deze reorganisatie een smalle window waarin de gematigde snelheden net genoeg vertraagden om te helpen. In het systeem met de geleidelijke verandering verschoven en verspreidden de gematigde snelheden zich, waarbij ze afstand namen van de ultra-langzame component. In beide gevallen kwam de computationele kracht voort uit deze dynamische herschikking van de gematigde snelheden, en niet uit de extreme traagheid van de gap.

Om er zeker van te zijn dat deze bevindingen geen theoretische artefacten waren, ontwikkelde het team een precieze methode om exact te traceren welke interne bewegingen verantwoordelijk waren voor de succesvolle voorspellingen. Ze toonden aan dat de door het systeem verwerkte informatie bijna volledig werd gedragen door deze eindige-snelheidskanalen en de manier waarop zij met elkaar combineerden. Het ultra-langzame kanaal, ondanks dat het het meest dramatische kenmerk van de faseovergang is, speelde slechts een minder belangrijke rol. Dit onderscheid is cruciaal omdat het verandert in hoe wetenschappers over het ontwerpen van deze machines moeten denken. In plaats van te proberen een systeem te ontwerpen dat zo traag mogelijk is, moet het doel zijn om het systeem zo af te stemmen dat de gematigde-snelheidscomponenten optimaal gerangschikt zijn. De onderzoekers merkten ook op dat deze specifieke patronen van relaxatie in reële experimenten gemeten kunnen worden met huidige technologie, zoals supergeleidende circuits. Dit betekent dat het theoretische kader dat zij ontwikkelden niet slechts een wiskundige curiositeit is, maar een praktische gids voor het bouwen van betere quantumcomputers die kunnen leren van tijdreeksgegevens.

Het werk onthult uiteindelijk een scheiding tussen de natuurlijke fysica van een quantummechanisch systeem en hoe het voor computatie wordt gebruikt. De faseovergang verandert het interne landschap van het systeem, maar het eigenlijke werk van het onthouden en verwerken wordt gedaan door een specifieke subset van de bewegingen van het systeem. Door te begrijpen dat de kracht voortkomt uit het collectieve gedrag van gematigde-snelheidscomponenten in plaats van de langzaamste component, kunnen onderzoekers nu met een duidelijkere routekaart dissipatieve quantumreservoirs ontwerpen. Deze benadering gaat verder dan eenvoudige correlaties naar een directe link tussen het interne relaxatiespectrum en het vermogen van de machine om te leren. Het suggereert dat de toekomst van quantumgeheugen niet ligt in het bevechten van wrijving, maar in het aanwenden van de complexe, georganiseerde dans van relaxatiesnelheden die wrijving van nature creëert.