Расчеты показывают, что внесение случайности в квантовую нейронную сеть может помочь ей определять свойства квантовых объектов, которые в противном случае принципиально трудно получить.
Квантовые компьютеры могли бы выиграть от поиска пути, обходящего принцип неопределенности Гейзенберга. Мариан Мурат/dpa/Alamy
Принцип неопределенности Гейзенберга устанавливает ограничение на точность измерения определенных свойств квантовых объектов. Однако исследователи, возможно, нашли способ обойти это ограничение, используя квантовую версию нейронной сети.
Например, как можно предсказать, какими свойствами будет химически полезная молекула через час или завтра? Для таких предсказаний исследователи начинают с измерения её текущих свойств. Но для квантовых объектов, включая некоторые молекулы, это может оказаться неожиданно сложным, поскольку каждое измерение может влиять на результат следующего измерения или изменять его. В частности, принцип неопределенности Гейзенберга гласит, что некоторые квантовые свойства объектов просто невозможно точно измерить одновременно. Например, если вы очень точно измерите импульс квантовой частицы, измерение её положения даст лишь приблизительное значение.
Теперь Дуаньлу Чжоу из Китайской академии наук и его коллеги математически доказали, что использование квантовых версий нейронной сети может позволить избежать некоторых из этих трудностей.
Команда Чжоу исследовала эту проблему по практическим соображениям. При работе с квантовыми компьютерами исследователям необходимо знать свойства основных элементов компьютера, называемых кубитами, либо для оценки и тестирования устройства, либо для эффективного использования этих кубитов при эмуляции объекта, такого как молекула или материал. Для определения свойств кубита исследователи обычно применяют некоторые операции, аналогичные той, как вы применяете «деление на 2», чтобы определить, является ли число четным. Но принцип неопределенности означает, что некоторые из этих операций будут несовместимы — это эквивалентно невозможности умножить число на три, а затем разделить его на два и при этом получить осмысленный результат вычисления.
Теперь расчеты исследователей показывают, что проблему несовместимости можно решить, если вместо более простых операций использовать алгоритм квантового машинного обучения — квантовую нейронную сеть (QNN).
Важно отметить, что некоторые шаги в этом алгоритме должны быть выбраны случайным образом из заранее определенного набора. Предыдущие исследования показали, что такая случайность может сделать квантовые нейронные сети более эффективными при определении одного свойства квантового объекта, но Чжоу и его коллеги расширили эту идею до измерения нескольких свойств, включая комбинации свойств, обычно ограниченные принципом неопределенности. Они смогли это сделать, потому что результаты многих последовательных случайных операций можно расшифровать с помощью специальных статистических методов, что позволяет получить более точные результаты, чем при многократном выполнении только одной операции.
Новое понимание причинно-следственных связей могло бы исправить фатальный недостаток квантовой теории.
Квантовая теория не может объяснить, как реальность, которую мы воспринимаем, возникает из мира частиц. Новый взгляд на причинно-следственную связь в квантовой теории мог бы заполнить этот пробел.
Роберт Хуанг из Калифорнийского технологического института утверждает, что возможность эффективного измерения многих несовместимых свойств позволит ученым гораздо быстрее изучать данную квантовую систему, что важно для применения квантовых компьютеров в химии и материаловедении, а также для понимания работы все более крупных квантовых компьютеров.
Новый подход вполне может быть реализован на практике, но его успех может зависеть от того, насколько он окажется полезным по сравнению с аналогичными подходами, которые также используют случайность для проведения информативных квантовых измерений, говорит Хуанг.
Physical Review B DOI: 10.1103/qz9c-m3z4
Источник: www.newscientist.com
