Der Quantenempfänger ist eine elementare Komponente bei Aufgaben der Quanteninformationsverarbeitung. Es zielt darauf ab, notwendige Informationen aus nicht-orthogonalen Quantenzuständen zu extrahieren. Aufgrund der Natur des Schrotrauschens zeigen Signale, die von elektromagnetischen Wellen getragen werden, nicht-orthogonale Quantenmerkmale, nachdem sie einen schweren Verlust erlitten haben, wie beispielsweise während der interstellaren Kommunikation. Daher ist der Quantenempfänger das einzige Gerät, das diese schwachen Signale mit einer Fehlerrate unterhalb der Schrotrauschgrenze dekodiert.
Herkömmliche Konstruktionen von Quantenempfängern sind jedoch anfällig für Rauschen. Außerdem ist der Rechenaufwand für die analytische Optimierung einer geeigneten Decodierlogik kolossal. Daher wurden nur eine Handvoll Quantenempfänger für die Dekodierung grundlegender Codes entwickelt, und ihre Leistung ist noch lange nicht ideal.
In einem neuen Artikel, erschienen in Licht: Wissenschaft & Anwendungen, eine Gruppe von Forschern unter der Leitung des assoziierten Professors Zheshen Zhang von der University of Arizona und der University of Michigan, und Co-Autoren haben einen Quantenempfänger entwickelt, der durch eine adaptive Lerntechnik (kurz QREAL) verbessert wurde. Durch das Konzept des Verstärkungslernens wird der verbesserte Quantenempfänger nun selbstgesteuert und kann bei Vorhandensein von Rauschen zu einer besseren Leistung iterieren.
Die QREAL-Architektur umfasst drei funktionale Kerne: die Hardware, die Steuerlogik und den Formulator. Die Hardware basiert auf einem phasenstarren Mech-Zehnder-Interferometer, einem supraleitenden Einzelphotonendetektor und einem klassischen Prozessor. Dadurch garantiert der optimierte Aufbau einen rekordhohen Gesamtwirkungsgrad von rund 85 % und eine robuste Interferenzsichtbarkeit von über 99,7 %.
Beladen mit der Steuerlogik übernimmt der klassische Prozessor die gesamte Hardware-Elektronik. Die Steuerlogik enthält einen Entscheidungsbaum und eine Entscheidungstabelle zum Decodieren von Signalen, die der Formulierer durch Hunderte von Optimierungs- und Simulationsiterationen erlernt. „Angesichts des Hardwaremodells, einer gezielten Quanteninformationsaufgabe und möglicher Rauschquellen zielt QREAL darauf ab, ein Dekodierungsprotokoll effizient mit einer möglichst geringen Fehlerrate zu lernen.“
In den Experimenten demonstrierten die Forscher seine Fähigkeit, ein geeignetes Dekodierungsprotokoll zu lernen und sich automatisch an Rauschen anzupassen. Die experimentellen Ergebnisse bestätigen, dass sich die Leistung im Vergleich zu herkömmlichen Designmethoden um etwa 15 % verbessert und eine um 40 % niedrigere Fehlerrate aufweist als der beste klassische Empfänger.
Bei der Decodierung der binären phasenverschobenen Codierung erreicht QREAL eine Fehlerrate von weniger als 2 % mit weniger als einem Photon pro Code, was eine Fehlerkorrektur und Kommunikation mit einer so geringen Signalleistung ermöglicht. Sie testeten auch den QREAL bei der Suche nach dem besten Protokoll zum Decodieren von Quadratur-Amplitudenmodulationssignalen mit sechs Codewörtern. „Nach unserem besten Wissen ist dies das erste Mal, dass ein Quantenempfänger einen Vorteil mit einem Alphabet größer als vier zeigt.“
Da der Forscher nicht mehr benötigt wird, um die Plattform zu steuern, könnte QREAL für praktische Zwecke wie Marsmissionen in Drohnenplattformen implementiert werden. Darüber hinaus kann das Framework von QREAL aufgrund seiner verbesserten Leistung bei der Minderung von Rauschmustern auch anderen verrauschten Quantenplattformen im mittleren Maßstab zugute kommen. „Es könnte ein neues Paradigma für das Design von Quantenempfängern werden“, sagen die Wissenschaftler.
Mehr Informationen:
Chaohan Cui et al., Durch adaptives Lernen verbesserter Quantenempfänger, Licht: Wissenschaft & Anwendungen (2022). DOI: 10.1038/s41377-022-01039-5