Физики применили методы машинного обучения для настройки и характеризации оптической квантовой системы. Им удалось быстро и точно восстановить поляризационное состояние фотона, которое они превращали в пространственное для простоты измерения. Работа опубликована в Physical Review Letters.
Эта новость появилась на N + 1 при поддержке ежегодной Национальной премии в области будущих технологий «Вызов». В 2023 году ее присудили за ионный квантовый процессор, магниты из высокотемпературного сверхпроводника, вычислительные устройства на основе поляритонов и оптический транзистор, а также открытия, позволившие создать новые подходы для лечения заболеваний мозга
Машинное обучение по-разному внедряется в квантовые технологии. Так, существуют гибридные квантовые алгоритмы, которые используют классические алгоритмы машинного обучения для решения квантовых задач — мы подробно писали о них в материале «Разминка для кубита». Иногда такие алгоритмы даже называют квантовым машинным обучением.
С другой стороны, нейросети могут успешно помогать экспериментаторам. Особенно в тех случаях, когда нужно настраивать сложную систему, не вникая в то, как она работает, а смотря только на конечный результат. Например, физики используют алгоритмы машинного обучения для проведения квантовой томографии — то есть характеристики квантового состояния, которая очень важна в фотонных вычислениях. Или для подбора оптимальных параметров создания конденсата Бозе — Эйнштейна в атомных вычислениях, как сделали ученые тут.
Физики под руководством Мауро Патерностро (Mauro Paternostro) из Университета Палермо и Государственного университета в Белфасте реализовали протокол экстремального машинного обучения на фотонной платформе для достижения эффективного и точного описания состояния поляризации фотона. Они преобразовывали информацию, закодированную в поляризации фотона, в его орбитальный угловой момент, который измеряли его с высокой точностью. При этом экстремальное машинное обучение позволило делать это очень быстро — оно использует всего один скрытый слой и ускоряет процесс обучения.
Изначально авторы брали однофотонный сигнал, который пропускали через две пластинки — полуволновую и четвертьволновую. Эти пластинки меняют поляризацию фотона, причем в паре они позволяют превратить поляризацию в любую желаемую — для этого необходимо повернуть каждую на правильный угол. Состояние фотонов после прохождения пластинок физики называют начальным, в нем информация закодирована с помощью поляризации (обычно 0 — это горизонтальная поляризация, а 1 — вертикальная).
После этого фотон отправляется в квантовое блуждание — он проходит через двулучепреломляющий кристалл и отклоняется в нем в зависимости от поляризации. Так получаются разные пространственные моды, которые потом снова проходят через набор четвертьволновой и полуволновой пластинки и опять отправляются на двулучепреломляющий кристалл. Это как раз похоже на схему скрытых уровней нейросети, потому что мы не знаем ничего о том, что происходит с фотоном в этой области, но можем менять параметры элементов.
В итоге пространственно зашифрованный сигнал попадает на пространственный модулятор света и потом через волокно на детектор. Модулятор как раз позволяет измерить определенные моды и на их основе нейросеть делает вывод о начальной поляризации фотона без детального исследования того, что с ним происходило.
Физики провели 1500 экспериментов с произвольными начальными состояниями и использовали их результаты для обучения нейросети. Столько же измерений потребовалось для ее тестирования. Итоговая серия экспериментов показала, что авторский метод позволяет точно восстанавливать квантовые состояния, зашифрованные поляризацией. При этом такие измерения не требуют тщательной характеристики измерительного оборудования и устойчивы к экспериментальным шумам, что может значительно упростить работу экспериментаторов.
Машинное обучение популярно и в других областях экспериментальной физики. Например, оно вместе с квантовым отжигом помогло найти распады бозона Хиггса и стабилизировать пучки синхротронного излучения.
