Inferring the Number of Quantum State Transfers with Neural Networks

In de uitgestrekte, stille architectuur van een toekomstig kwantuminternet reist informatie niet door draden of glasvezelkabels, maar door de delicate, onzichtbare verbindingen van kwantumdeeltjes. Een veelbelovende manier om deze informatie te verplaatsen is door het gebruik van een keten van minuscule magneten, genaand spins, die in een lijn zijn gerangschikt. Stel je een rij dominosteentjes voor waarbij het omverwerpen van de eerste een golf van beweging door de lijn stuurt, die een boodschap naar het andere uiteinde draagt. In een perfecte wereld zouden wetenschappers de hele lijn na elke enkele boodschap terugzetten naar de beginpositie, om een schone lei te garanderen voor de volgende transmissie. Echter, in de rommelige realiteit van fysieke experimenten is het resetten traag en moeilijk. Als de keten keer op keer wordt gebruikt zonder dat deze wordt schoongemaakt, blijven de zwakke echo's van vorige berichten achter, die in het medium blijven hangen en nieuwe transmissies verstoren. Dit aanhoudende effect staat bekend als geheugen. Jarenlang werd dit geheugen strikt beschouwd als een overlast, een bron van ruis die de kwaliteit van het signaal verslechtert. Maar een nieuwe onderzoeksvraag stelt een andere vraag: als het kanaal zich een herinnering aan zijn verleden heeft, laat dat geheugen dan een vingerafdruk achter op de data zelf? Zou de geschiedenis van hoe vaak de keten is gebruikt, direct afgelezen kunnen worden uit de binnenkomende boodschap, zelfs als de ontvanger geen andere manier heeft om de telling te weten?

Een team van onderzoekers aan de Universiteit van Malta heeft zich ingesteld om deze vraag te beantwoorden, waarbij ze het probleem niet benaderen als een natuurkundig raadsel dat met vergelijkingen moet worden opgelost, maar als een patroonherkenningsuitdaging voor een computer. Ze richtten zich op een specifiek type kwantumketen die ontworend is om informatie met perfecte precisie te verplaatsen op een specifiek moment in de tijd. In hun simulatie gebruikten ze deze keten herhaaldelijk, tot vijf keer achter elkaar, zonder deze tussen de gebruiken te resetten. Om de imperfecties van de echte wereld na te bootsen, introduceerden ze een kleine, consistente fout in de timing van wanneer ze het resultaat controleerden, waardoor de keten nooit op exact het perfecte moment werd uitgelezen. Voor elk van deze vijf keren stuurden ze een willekeurige kwantumtoestand de keten in en registreerden ze de toestand die eruit kwam. De kernopdracht was eenvoudig maar diepgaand: kon een machine learning-algoritme, gegeven alleen de inputtoestand en de outputtoestand, bepalen welk gebruik het was? Was dit de eerste keer dat de keten werd gebruikt, of de vijfde?

De onderzoekers trainden een eenvoudig type kunstmatige intelligentie, bekend als een feed-forward neuraal netwerk, om dit op te lossen. Ze voedden de computer met duizenden voorbeelden, elk bestaande uit de beschrijving van de ingestuurde toestand en de ontvangen toestand, samen met het juiste antwoord voor welk gebruik het was. De computer moest de subtiele verschillen leren in hoe de keten zich gedroeg bij het eerste gebruik versus het tweede, derde, vierde en vijfde gebruik. De resultaten waren opmerkelijk. Het netwerk leerde het juiste aantal gebruiken te identificeren met een nauwkeurigheid van meer dan negentig procent. Dit betekent dat het systeem, door te kijken naar de data van een enkele transmissie, de geschiedenis van het kanaal met hoge betrouwbaarheid kon identificen, waardoor het het geheugen van de machine effectief kon uitlezen zonder de machine aan te raken of de werking ervan te onderbreken.

Het team ontdekte dat de manier waarop ze de data aan de computer beschreven, enorm veel uitmaakte. Kwantumtoestanden kunnen op verschillende manieren worden beschreven, en de onderzoekers testten twee verschillende methoden. De eerste methode gebruikte een volledige, gedetailleerde beschrijving van de toestand, inclusief al zijn directionele componenten. De tweede methode gebruikte een vereenvoudigde beschrijving die gebruikmaakte van een specifieke symmetrie in de fysica van de keten, waarbij informatie die irrelevant was voor de taak werd weggestreept. Deze vereenvoudigde aanpak bleek veel efficiënter. Het verhoogde niet alleen de nauwkeurigheid naar ongeveer vijfentwintig procent, maar had ook aanzienlijk minder trainingsdata nodig om dat niveau te bereiken. Sterker nog, de vereenvoudigde methode had tussen de vier en zeven keer minder voorbeelden nodig om hetzelfde prestatieniveau te bereiken als de volledige beschrijving. Dit suggereert dat door het begrijpen van de onderliggende fysica, wetenschappers machines kunnen leren sneller en effectiever te leren, door de ruis te negeren en zich te concentreren op het signaal dat er echt toe doet.

De studie onthulde ook hoe de hoeveelheid data het leerproces beïnvloedt. De onderzoekers ontdekten dat de nauwkeurigheid van het systeem afhankelijk was van het totale aantal verstrekte voorbeelden, maar dat het niet uitmaakte of die voorbeelden afkomstig waren van veel verschillende inputtoestanden of van veel verschillende timingfouten. De twee factoren waren even belangrijk; wat ertoe deed was het product van de twee. Dit biedt een praktische gids voor toekomstige experimenten: om een betrouwbaar systeem te bouwen, hoeft men niet obsessief elke mogelijke timingfout of elke mogelijke toestand te bemonsteren, mits het totale volume aan data voldoende is. Bovendien toonde het systeem een opmerkelijk vermogen tot generalisatie. Het kon het gebruiknummer correct identificeren, zelfs voor timingfouten die het tijdens de training nooit eerder had gezien, wat suggereert dat het de gladde, continue aard van het fysieke proces had geleerd in plaats van slechts specifieke punten te onthouden.

Wanneer het systeem fouten maakte, waren dat zelden wilde gokken. De onderzoekers analyseerden de fouten en ontdekten dat wanneer de computer het mis had, hij meestal een getal gokte dat heel dicht bij de waarheid lag. Bijvoorbeeld, als de keten bij het vierde gebruik was, gokte het systeem het meest waarschijnlijk dat het het derde of het vijfde gebruik was, in plaats van het eerste. Dit geeft aan dat het systeem het ordeningsprincipe van de gebeurtenissen begreep, zelfs als het niet perfect precies was. De weinige fouten die grote sprongen maakten — het gokken van het eerste gebruik terwijl het eigenlijk de vijfde was — gebeurden bijna altijd wanneer de timingfout extreem klein was, dicht bij het perfecte moment. In dit specifieke gebied is het geheugen van de keten zo zwak dat de verschillen tussen de gebruiken minuscuul zijn, wat ze bijna onmogelijk te onderscheiden maakt. Dit bevestigt dat het systeem geen patronen hallucineert, maar daadwerkelijk reageert op de fysieke grenzen van het geheugeneffect.

Uiteindelijk toont dit werk aan dat het geheugen van een kwantumkanaal, dat vaak als een gebrek wordt afgedaan, eigenlijk een rijke bron van informatie is. Het laat een verslag achter van de geschiedenis van het kanaal in de input- en outputgedragingen. Door gebruik te maken van moderne leermiddelen kan dit verslag worden geëxtraheerd uit de transmissiedata alleen, zonder de media te hoeven bevragen of de communicatie te onderbreken. Deze capaciteit kan essentieel zijn voor het toekomstige beheer van kwantumnetwerken, waarbij ingenieurs apparaten kunnen kalibreren, afwijkingen kunnen monitoren en middelen kunnen bijhouden, simpelweg door te luisteren naar de data die doorstroomt. De studie laat zien dat zelfs in een systeem waar informatie wordt gedegradeerd door herhaaldelijk gebruik, de geschiedenis van die degradatie niet verloren gaat; het is gecodeerd in het signaal, wachtend om gelezen te worden door de juiste soort waarnemer.