양자 기술이 향상됨에 따라 연구자들은 점점 더 많은 구성 요소를 연결하여 초기 양자 컴퓨터를 만들 수 있습니다. 중요한 과제는 어떤 구성 요소와 구성이 유용한 시스템을 만드는 데 가장 큰 잠재력을 가지고 있는지 아는 것입니다. 지금, 레오폴도 사라 과 플로리안 마쿼트 기계 학습을 사용하여 대규모 양자 네트워크의 심층 베이지안 실험 설계를 구현하는 방법을 보여주었습니다.

Marquardt는 연구가 수행된 독일의 막스 플랑크 빛 과학 연구소에 기반을 두고 있습니다. 그 후 Sarra는 미국의 Flatiron Institute로 이사했으며 그곳에서 물리 세계 연구에 대해.

심층 베이지안 실험 설계란 무엇입니까?

실험 설계는 물리적 시스템이나 현상을 특성화하기 위해 수행할 실험의 선택을 다루는 과학 분야입니다. 새로운 실험을 설계할 때 과학자들은 테스트하거나 위조하려는 가설을 고려하고 더 유용할 것 같은 가설의 우선순위를 지정해야 합니다. 관심 있는 물리적 양과 과학자들이 관찰할 수 있는 접근 가능한 양 사이에는 매우 복잡한 의존성이 있는 경우가 많습니다. 실험 결과의 의미는 일반적으로 명확하지 않습니다.

베이지안 실험 설계는 물리적 시스템에 대해 최대한 많은 것을 이해할 수 있도록 해주는 가장 유용한 실험을 자동으로 식별하는 기술입니다. 특히 시스템에 대한 초기 지식이나 기대에서 시작하여 지식의 불확실성과 주어진 실험이 수행될 때 지식이 어떻게 변하는 지 정량화하는 통계 모델을 구축합니다. 따라서 실험의 유용성을 수량화하여 가장 유용한 실험을 찾습니다.

그러나 이 기술은 계산적으로 매우 비용이 많이 드는 것으로 알려져 있습니다. 전통적으로 이를 실현하려면 매우 대략적인 근사치(또는 심지어 경험적 방법)가 필요했습니다. 최근 신경망(“딥 러닝”이라고도 하며, 따라서 “딥”이라는 단어)과 같은 인공 지능 기술이 개발됨에 따라 이제 베이지안 기술에 대한 훨씬 더 나은 근사치를 만들어 더 효율적이고 정확한 결과를 얻을 수 있습니다.

양자 기술 플랫폼을 설계하는 사람들이 직면한 주요 과제는 무엇입니까?

현재의 양자 장치는 구축하고 운영하기가 매우 어렵습니다. 간섭과 환경 소음의 영향을 크게 받기 때문에 여러 장치를 함께 연결하면 신뢰성과 대형 장치를 구축하는 능력이 저하될 수 있습니다. 특히, 동일한 장치를 생산하려는 제조 노력에도 불구하고 각 구성 요소는 제조 결함으로 인해 항상 약간씩 다르므로 예상과 약간 다른 동작을 갖게 됩니다. 또한 구성 요소의 동작은 환경 조건(예: 온도 변동, 주변 소음 등)의 영향을 받을 수도 있습니다. 따라서 장치의 실제 작동 방식을 이해하고 예상 동작과의 편차를 적절하게 설명하고 수정하는 능력이 중요합니다.

심층 베이지안 실험 설계가 이러한 문제를 해결하는 데 어떻게 도움이 될 수 있습니까?

사용하기 전에 매번 각 양자 장치를 수동으로 특성화하는 것은 불가능하므로 자동화된 기술을 사용해야 합니다. 베이지안 실험 설계는 최소한의 측정 횟수로 양자 시스템을 특성화하는 방법을 제공합니다. 다양한 접근 방식을 비교하고 가장 효율적인 접근 방식을 이해하는 데 사용할 수 있습니다. 수동으로 설계된 전략이 솔루션을 제공할 수 있지만 베이지안 기법이 훨씬 더 효율적이고 더 빠르고 정확한 결과를 제공할 것으로 기대합니다. 그들의 장점은 두 가지입니다. 첫째, 새로운 실험 결과를 이전 지식에 통합하는 방법을 알려줍니다. 둘째, 다음에 실행할 실험을 알려줍니다. 어느 단계에서든 비효율성이 있으면 특성화 시간이 길어지거나 정확도가 낮아집니다.

"양자 다체 시스템을 위한 심층 베이지안 실험 설계"라는 논문에서 당신은 무엇을 했나요?

이 작업에서 우리는 베이지안 프레임워크를 사용하는 데 필요한 양의 추정을 처리하는 인공 지능의 일부 최첨단 기술을 활용하여 양자 시스템에 적용 가능한 방법을 조사했습니다. 목표는 양자 장치를 특성화하는 데 얼마나 유용할 수 있는지, 얼마나 효율적인지, 향후 실제 적용을 위해 극복해야 할 기술적 과제가 무엇인지 이해하는 것이었습니다. 우리는 가장 일반적인 플랫폼(결합된 캐비티 및 큐비트 배열) 중 일부를 고려하고 이러한 기술의 적용을 탐색하여 작동 매개변수를 찾았습니다. 우리는 무작위 측정 수행 또는 매개변수 범위에서 균일한 측정 수행과 같은 좀 더 순진한 특성화 전략과 효율성을 비교했습니다. 우리는 또한 다양한 설계 선택의 효과와 예측에서 잡음의 영향을 연구했습니다.

무엇을 발견했으며 그것이 어떻게 양자 기술의 발전을 촉진할 수 있었습니까?

Deep Bayesian 실험 설계는 측정 결과와 매개변수 업데이트 간의 관계가 사소하지 않은 상황에서 각 측정 후 시스템 매개변수에 대한 지식과 불확실성을 업데이트하는 방법을 제공합니다. 표준 기술은 일반적으로 시스템을 설명할 가능성이 가장 높은 단일 결과만 찾는 반면 심층 기술은 전체 분포에 근접합니다. 결과적으로 특정 특성화 전략의 한계가 드러날 수 있습니다. 여러 번 측정한 후에도 매개변수의 불확실성이 감소하지 않는 경우 이는 일반적으로 측정 설정에서 해당 매개변수를 명확하게 결정할 수 없음을 의미합니다.

선택된 측정을 살펴보면 불확실성을 줄이기 위해 다양한 측정 설정(가장 관련성이 높은 측정 구성이 식별되는 위치) 탐색과 식별된 설정 활용을 결합하는 "효과적인 전략"이 나타나는 것을 알 수 있습니다.

또한 다른 간단한 측정 전략과 비교하여 유용성을 극대화하기 위해 각 실험(다음 측정)을 선택하는 활성 특성화 전략의 장점을 보여주었습니다. 다양한 매개변수에 의존하고 다양한 잡음 소스의 영향을 받을 수 있는 양자 장치의 효율적인 특성화를 위해 이전 결과를 고려하지 않는 무작위 측정을 수행하는 것은 분명히 차선책입니다.

이 기술의 향후 개발은 훨씬 더 안정적인 양자 장치로 이어질 것입니다.

이 연구에 대해 추가 연구를 통해 후속 조치를 취하실 것으로 보입니다.

이 작업을 통해 우리는 심층 베이지안 실험 설계가 단순한 기술에 비해 양자 시스템의 특성화에 구체적인 이점을 제공한다는 것을 보여주었습니다. 다음 단계는 실제 양자 장치에 빠르게 적용하고 더 큰 시스템으로 확장할 수 있도록 제시된 방법의 기술적 개선입니다. 현재는 각 측정 후 알고리즘을 다시 실행해야 하지만, 한 가지 가능성은 먼저 여러 시뮬레이션을 통해 전체 측정 제안 전략을 학습한 다음 이 더 빠른 예측기를 실제 장치에 사용하는 것입니다.

보다 일반적으로 말하면, 물리적 현상의 모델을 갖고, 그 불확실성을 평가하고, 어떤 실험이 이를 개선하는 데 가장 유용한지 이해하는 능력이 과학적 방법의 기초입니다. 현재 우리는 알려지지 않은 일부 매개변수를 사용하여 양자 시스템을 단순히 모델링하고 다양한 실험이 단순히 다양한 측정 설정에 대응하는 반면, 물리적 현상을 자체적으로 탐색할 수 있는 일종의 "인공과학자" 역할을 하는 미래의 알고리즘을 구상할 수 있습니다. 양자 기술의 베이지안 실험 설계에 대한 연구도 이러한 장기적인 비전의 발전으로 이어질 것입니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
• 출처: https://physicsworld.com/a/deep-bayesian-experimental-design-characterizes-large-scale-quantum-systems/