През последните няколко години квантовите технологии претърпяха значително развитие, загатвайки за огромния си потенциал в най-различни области. Очаква се квантовите компютри да подобрят редица класически алгоритми, включително за оптимизиране, търсене и сортиране и други; квантовите симулатори вече спомагат за изследване на нови квантови фази на материята; квантовите сензори могат да постигнат несравнима измервателна прецизност, а квантовата криптография осигурява най-стабилните и сигурни протоколи за комуникация, познати на човечеството. Предимството на този нов род технологии пред техните класически аналози се крие в квантовите корелации (наричани от физиците квантово вплитане), и се проявява в явления извън обхвата на класическата физика.
Успешното прилагане на повечето квантови технологии обаче зависи до голяма степен от способността за манипулиране на съответните квантови системи. Тази задача представлява предизвикателство дори в класическата динамика, но квантовата физика добавя допълнителен слой сложност. Проблемът възниква от изключителната трудност да се симулират квантови системи с много взаимодействащи кюбити, тъй като изискванията за компютърна памет надхвърлят възможностите дори на най-мощните класически суперкомпютри. Физиците наричат това предизвикателство „проклятието на размерността“ (curse of dimensionality); то прави невъзможнa както симулaцията на поведението на големи квантови системи с много тела чрез класически компютри, така и разработването на съответените оптимални стратегии за тяхното управление.
За да преодолеят този проблем, Фридерике Метц и Марин Буков въвеждат иновативен подход в нова изследователска статия, публикувана в списание Nature Machine Intelligence. Авторите прилагат дълбоко обучение с утвърждение (RL) – вид машинно обучение – за да проектират агент с изкуствен интелект, способен ефективно да контролира квантови системи с много кюбити. За да преодолеят проклятието на размерността, те използват тензорни мрежи – математически структури, които позволяват приблизително представяне на големи квантови състояния чрез класически компютри. Използвайки тензорни мрежи, Метц и Буков разработват нова “архитектура” за дълбоко обучение, която дава възможност на RL-агентите да обработват и интерпретират безпроблемно многокюбитови квантови състояния.
Обученият от учените изкуствен интелект демонстрира забележителна производителност при приготвянето на подредени основни състояния в квантовата верига на Айзинг, основополагащ модел за изучаване на квантовия магнетизъм. Тази нова рамка за квантов контрол надминава ограниченията на стандартните архитектури от невронни мрежи, позволявайки контрола на значително по-големи системи, като същевременно запазва такива предимства на алгоритмите за дълбоко обучение, като възможността за обобщаване и контролирана устойчивост на смущения. По-специално, RL-агентът демонстрира способност да намира универсален контрол в системи с няколко кюбита, да се научава да управлява оптимално несрещани по време на обучението многокюбитови състояния и да адаптира контролни протоколи в реално време, дори когато квантовата динамика е изправена пред стохастични смущения. Освен това, авторите предлагат начин за представяне на новия метод като хибриден квантово-класически алгоритъм, който може да бъде приложен върху шумни квантови устройства от среден мащаб (NISQ devices).
Изследването води след себе си значителни последици, проправяйки пътя за приложение на дълбокото обучение с утвърждение (RL) за ефективен контрол на големи квантови системи – решаващо изискване за напредъка на съвременните квантови технологии. Наред с други иновативни приложения, с предложените нови концепции изследователите очакват да улеснят физиците в предстоящи изследвания на нови квантови фази на материята, в проектирането на сложни молекули, стоящи в основата на нови лекарства, както и в изграждането на сигурни комуникационни мрежи, базиращи се на квантовата комуникация.*
Ръководител на изследването е д-р Марин Буков (Макс Планк институт за физика на комплексните системи, Дрезден и Физически факултет на Софийски университет до 2022). Симулациите са извършени от д-р Фридерике Метц (Институт за наука и технологии в Окинауа, Япония до 2022, и Швейцарски федерален институт за технологии, Лозана) като част от докторската ѝ дисертация. Изследванията са финансирани по програма ВИХРЕН на Фонд Научни Изследвания към МОН (договор KP-06-DV-5, до 25.06.2021), и действия Мария Склодовска-Кюри към програма Хоризонт 2020 на Европейската комисия (грант номер 890711).
за контакт: mgbukov(at)pks.mpg.de, https://www.pks.mpg.de/nqd
статия: Friederike Metz and Marin Bukov, Self-correcting quantum many-body control using reinforcement learning with tensor networks, Nature Machine Intelligence 5, 780–791 (2023)
DOI: https://doi.org/10.1038/s42256-023-00687-5
* по-ранна версия на този текст беше подобрена с помощта на ChatGPT, преди да бъде преведена с Google Translate на български език и редактирана.
** изображението към статията е създадено с помощта на изкуствения интелект DALL·E 2; Prompt: A robot manipulating atoms in a quantum computer, Surrealism.