Репортаж от Wedoany，Исследовательская группа из Quandela, Центра теоретической физики Польской академии наук (Center for Theoretical Physics of the Polish Academy of Sciences) и Варшавского университета (University of Warsaw) экспериментально продемонстрировала масштабируемую архитектуру физического квантового машинного обучения. Проект поддерживается программой Европейского союза «Горизонт Европа» в рамках проекта-первопроходца QUONDENSATE. Группа использовала программируемый кремниевый фотонный квантовый процессор, возбуждаемый однофотонными состояниями, для одновременного выполнения задач классической классификации машинного обучения и квантовой обработки информации.
Данное аппаратное обеспечение преодолевает узкое место экспоненциального масштабирования при характеризации квантовых состояний, используя единый фиксированный измерительный базис для выполнения полной квантовой томографии состояния и отслеживания многомодовой запутанности. Экспериментальная установка основана на физических принципах квантового резервуарного вычисления и сконфигурирована как сеть обработки квантового резервуара. Необучаемый «резервуар» состоит из решётки интерферометров Белла-Уолмсли (Bell-Walmsley interferometer), интегрированных на кремниевом чипе, содержащей плотную сеть оптических волноводов, модовых ответвителей и термооптических фазовращателей с тепловым управлением.
При обработке информации однофотонные импульсы, генерируемые полупроводниковыми квантовыми точками, встроенными в микростолбчатые резонаторы, после маршрутизации через 12-модовый активный демультиплексор, подаются в качестве неклассических многомодовых состояний на 24-модовый чип Belenos QPU компании Quandela. Фотоны проходят через массив программируемых интерферометров Маха-Цендера (MZI), испытывая сложные преобразования, управляемые квантовой интерференцией. Выходные состояния отображаются поляризационно-разрешающими фотонными детекторами с разрешением по числу фотонов (PNR) в сочетании с электронным коррелятором. Система строит 15-элементный вектор признаков из распределения вероятностей многофотонных совпадений, обходя бинарное ограничение стандартных пороговых детекторов.
Данная платформа квантового резервуарного вычисления была протестирована по сравнению со стандартным устройством с разрешением по числу фотонов для выполнения квантовой томографии многомодовой двухфотонной матрицы смешанной плотности. Традиционная квантовая томография требует выполнения экспоненциального числа измерений в нескольких измерительных базисах, в то время как данная структура использует единую фиксированную случайную унитарную матрицу преобразования для отображения многомодовых квантовых корреляций в отслеживаемые счётные признаки фотонов. Архитектура квантового резервуарного вычисления, реализованная на аппаратном обеспечении, достигла средней точности тестового набора данных 0,820, превзойдя базовый показатель фотонного разрешения по числу фотонов в 0,747, который из-за отсутствия оптической интерференции не может разрешить недиагональную фазовую когерентность. Из восстановленной матрицы плотности программное обеспечение извлекло три квантовые метрики: чистоту, энтропию фон Неймана и негативность (строгую меру квантовой запутанности).
Группа построила характеристики масштабирования схемы, доказав, что требуемая размерность пространства признаков масштабируется квадратично относительно числа мод целевого состояния, что создаёт основу для характеризации большего числа мод, например, 3 мод (45 независимых параметров). Для расширения платформы на обработку классических данных исследователи отобразили задачу нелинейной бинарной классификации перемежающихся двухспиральных точек данных на 12-модовом процессоре Ascella компании Quandela. Группа разработала аппаратно-ориентированную среду обучения с компьютерным моделированием, вводящую случайные, специфичные для выборки унитарные матрицы возмущений с локальными флуктуациями в идеальную моделируемую матрицу резервуара в цикле оптимизации программного слоя считывания. После запуска цикла оптимизации с амплитудой возмущения, соответствующей ошибкам компиляции физического чипа, физическое аппаратное обеспечение достигло экспериментальной точности классификации около 79,7%, превзойдя идеальную классическую моделируемую сеть, обрабатывающую когерентные входные состояния и средние счётные интенсивности.
Данный материал скомпилирован платформой Wedoany. При цитировании материалов, созданных с помощью искусственного интеллекта (ИИ), необходимо обязательно указывать источник — «Wedoany». В случае выявления нарушения прав или иных проблем просим своевременно информировать нас. Сайт оперативно внесёт изменения или удалит материал.Электронная почта: news@wedoany.com
