Ein internationales Physikerteam hat herausgefunden, dass Deep-Learning-KI-Technologie das Ausmaß der Verschränkung in einem bestimmten System genau quantifizieren kann – frühere Untersuchungen haben gezeigt, dass der Grad der „Quantenfähigkeit“ eines bestimmten Systems durch eine einzige Zahl beschrieben werden kann. In ihrem Artikel, veröffentlicht in der Zeitschrift Wissenschaftliche Fortschrittebeschreibt die Gruppe ihre Technik und wie gut sie beim Testen in einer realen Umgebung funktionierte.
Während Wissenschaftler in den letzten Jahren mehr über die Verschränkung gelernt haben, haben sie herausgefunden, dass Entwickler solcher Systeme eine Möglichkeit benötigen, den Grad ihrer Verschränkung zu bestimmen, damit sie in Anwendungen nützlich sein kann. Und das stellt natürlich ein Problem dar, denn die Messung eines Quantenzustands zerstört ihn.
Um dieses Problem zu umgehen, haben Physiker die sogenannte Quantentomographie entwickelt, bei der mehrere Kopien eines Zustands erstellt und jede einzelne vermessen wird. Diese Technik kann eine 100-prozentige Genauigkeit gewährleisten, ist jedoch aufwändig und erfordert erhebliche Rechenleistung. Ein anderer Ansatz besteht darin, fundierte Vermutungen anhand begrenzter Informationen über den Zustand eines Systems anzustellen. Dabei geht es um einen Kompromiss zwischen Präzision und Ressourcenverbrauch. Bei dieser neuen Anstrengung brachte das Forschungsteam ein neues Werkzeug zur Lösung des Problems ein: Deep-Learning-Neuronale Netze.
Das Team nutzte KI-Technologie, um die Präzision der Schätzungen des Verschränkungsgrads eines bestimmten Systems zu verbessern, anstatt diese direkt zu messen. Zu diesem Zweck wurde der KI-App beigebracht, verschränkte Quantenzustände mithilfe von Daten zu untersuchen, die von einem anderen System generiert wurden, das numerische Daten bereitstellte. Die KI-Apps nutzten dann die resultierenden Daten, um sukzessive Schätzungen des Verschränkungsgrads zu erstellen, die mit jedem Durchlauf präziser wurden.
Die Forscher testeten ihren Ansatz, indem sie ihn anhand eines sekundären Datensatzes trainierten, der durch Simulationen gewonnen wurde, und stellten fest, dass die Fehlerraten zehnmal niedriger waren als bei herkömmlichen Schätzmethoden. Anschließend testeten sie es erneut, dieses Mal in einer realen Umgebung. Sie fanden den gleichen Grad an Verbesserung, gemessen mit den simulierten Daten.
Mehr Informationen:
Dominik Koutný et al, Deep Learning der Quantenverschränkung aus unvollständigen Messungen, Wissenschaftliche Fortschritte (2023). DOI: 10.1126/sciadv.add7131
© 2023 Science X Network