Ученые из Сколтеха и МГУ создали нейросети, которые помогли значительно улучшить точность реконструкции квантового состояния. Результаты исследований опубликованы в журнале npj Quantum Information.

Методы машинного обучения в последнее время все чаще применяются для анализа различных типов данных и распространяются во все большее число областей знаний. Изначально эти алгоритмы были созданы для анализа изображений и могли уменьшать размерность многомерных массивов информации. Эта способность нейросетей делает их очень привлекательными для решения задач классической и квантовой физики многих тел.

В своей новой работе исследователи из Сколтеха предложили использовать нейросетевые алгоритмы для квантовой томографии — восстановлении входного состояния по измеренным данным. Несовершенство лабораторных приборов, а также случайные ошибки при измерениях делают квантовую томографию достаточно сложной даже при существовании полностью известной модели, которая описывает работу устройства, и известном процессе создания входного состояния.

Научная группа из МГУ подготавливала и измеряла квантовые состояния высокой размерности на экспериментальной платформе, основанной на пространственных состояниях фотонов. Экспериментальные ошибки в подготовке состояний на входе и измерениях неизбежно сказываются на результатах, и ситуация становится хуже с увеличением размерности. В то же время повышение размерности доступных состояний очень важно для создания протоколов квантовой связи.

Также важно это и для квантовых вычислений. Исследователи из Сколтеха в рамках своей работы обучили глубокую нейронную сеть анализировать экспериментальные данные с шумами и эффективно обучаться подавлять в них нежелательные фоновые сигналы. Это позволило в конечном итоге значительно улучшить качество восстановления квантового состояния.