Neural network-based multipartite entanglement classification with prior guidance from quantum uncertainty relations

In de vreemde en tegenintuïtieve wereld van de kwantummechanica kunnen deeltjes op een manier met elkaar verbonden raken die ons alledaagse ervaring tart. Dit fenomeen, bekend als verstrengeling, betekent dat de toestand van het ene deeltje onmiddellijk verbonden is met de toestand van een ander, ongeacht hoe ver ze van elkaar verwijderd zijn. Hoewel deze verbinding tussen twee deeltjes relatief eenvoudig te begrijpen is, worden de zaken aanzienlijk ingewikkelder wanneer er veel deeltjes betrokken zijn. In systemen met drie of meer deeltjes kunnen de deeltjes op verschillende fundamenteel verschillende manieren verstrengeld zijn, elk met zijn eigen unieke eigenschappen en potentieel voor toekomstige technologieën zoals ultra-veilige communicatie en krachtige computers. Het onderscheiden van deze verschillende soorten verbindingen is essentieel voor wetenschappers die deze willen benutten, maar het is al lang een moeilijke taak. Traditionele methoden voor het identificeren van deze links vereisen vaak een overweldigende hoeveelheid gegevens en rekenkracht, waardoor ze onpraktisch zijn voor de grootschalige systemen die nodig zijn voor real-world toepassingen.

Een team onderzoekers aan de Beihang Universiteit in Beijing heeft een nieuwe aanpak ontwikkeld om dit probleem op te lossen, een aanpak die de kracht van kunstmatige intelligentie combineert met een fundamentele regel uit de natuurkunde die bekend staat als het onzekerheidsprincipe. In plaats van te proberen de volledige complexe toestand van een kwantumsysteem in kaart te brengen, wat vergelijkbaar is met het proberen te fotograferen van elk afzonderlijk zandkorreltje op een strand om de vorm van de duinen te begrijpen, richt hun methode zich op een specifieke, meer beheersbare eigenschap. Ze maken gebruik van een recent ontdekte relatie die beschrijft hoe de precisie van de meting van één deeltje wordt beperkt door de metingen van zijn buren. Door deze specifieke metingen in een computerprogramma te voeren dat is ontworpen om patronen te leren, hebben de onderzoekers een hulpmiddel gecreëerd dat snel en nauwkeurig het type verstrengeling in een systeem kan identificeren.

De onderzoekers testten hun methode door duizenden gesimuleerde kwantumtoestanden te genereren, variërend van eenvoudige systemen met drie deeltjes tot complexe systemen met twintig deeltjes. Ze creëerden deze toestanden in drie verschillende categorieën, die de standaardtypen van multi-deeltjesverbindingen zijn die in kwantumonderzoek worden gebruikt. Om de test realistisch te maken, namen ze niet alleen perfecte, theoretische toestanden op, maar ook gemengde toestanden, die de rommelige realiteit van imperfecte experimenten vertegenwoordigen, en ruisige toestanden, die de interferentie nabootsen die wordt gevonden in werkelijke kwantumapparaten. Het computerprogramma werd getraind om naar de onzekerheidsmetingen te kijken en de toestanden in de juiste categorieën te sorteren. De resultaten waren opmerkelijk: voor de grootste geteste systemen, met twintig deeltjes, identificeerde de methode het type verstrengeling in 99,5% van de gevallen correct. Zelfs toen de gegevens werden gecorrumpeerd door ruis of gemengde toestanden vertegenwoordigden, bleef de nauwkeurigheid indrukwekkend hoog en bleef deze in de meeste gevallen boven de 98%.

Wat deze prestatie bijzonder significant maakt, is hoeveel minder werk het vereist vergeleken met oudere technieken. Voorheen vertrouwden methoden vaak op het reconstrueren van de volledige wiskundige beschrijving van het kwantumsysteem, een proces dat exponentieel moeilijker wordt naarmate er meer deeltjes worden toegevoegd, wat snel onmogelijk wordt voor grote systemen. In tegenstelling hiertoe gebruikt de nieuwe methode een kenmerk dat veel langzamer groeit met het aantal deeltjes, waardoor het schaalbaar is. De onderzoekers ontdekten dat hun aanpak niet alleen de hoeveelheid gegevens die nodig is voor metingen verminderde, maar ook mogelijk maakte dat de computer patronen veel sneller kon leren. Door zich te concentreren op de specifieke onzekerheidsrelaties die voortvloeien uit de manier waarop deeltjes verbonden zijn, omzeilt het hulpmiddel de noodzaak voor uitputtende gegevensverzameling, wat een praktische weg biedt voor het analyseren van de complexe kwantumnetwerken van de toekomst.

De studie onderzocht ook hoe goed de methode standhoudt wanneer de gegevens imperfect zijn, een veelvoorkomend probleem in de echte natuurkunde. Door gesimuleerde fouten en ruis in de kwantumtoestanden te introduceren, toonde het team aan dat hun classifier robuust bleef, waarbij de nauwkeurigheid hoog bleef zelfs wanneer de fideliteit van de toestanden aanzienlijk daalde. Dit suggereert dat de methode betrouwbaar zou kunnen zijn in werkelijke laboratoriumomgevingen waar perfecte omstandigheden zeldzaam zijn. Hoewel de huidige resultaten gebaseerd zijn op computersimulaties, merken de auteurs op dat de volgende stap zal zijn om de aanpak te testen op echte kwanthardware. Indien succesvol, zou deze techniek een standaardinstrument kunnen worden voor het verifiëren van de kwaliteit van verstrengelde bronnen in kwantumnetwerken, om te garanderen dat de delicate verbindingen die vereist zijn voor geavanceerde computing en communicatie naar behoren functioneren. Het werk vertegenwoordigt een verschuiving naar het gebruik van natuurkundige principes om machine learning te sturen, waardoor instrumenten worden gecreëerd die niet alleen krachtig zijn, maar ook geworteld in de fundamentele wetten van de natuur.