作者:英格丽德·法德利
（同organic）有机 信用:邦达伦科& amp费尔德曼
世界各地的许多研究小组目前正试图开发收集高精度测量数据的仪器，如原子钟或重力仪
其中一些研究人员试图使用纠缠量子态来实现这一点，纠缠量子态比经典或非纠缠态对量的敏感度更高
然而，由于这种高灵敏度，量子纠缠态也更容易拾取噪声(即
e
不相关的信号)
这可能会阻碍精确可靠的量子增强计量设备的发展
为了克服这一限制，德国汉诺威莱布尼茨大学的两名研究人员最近开发了量子机器学习算法，可以用来对量子数据进行去噪处理
这些算法发表在《物理评论快报》上的一篇论文中，可以帮助使用量子时钟或其他基于纠缠量子态的测量工具产生更可靠的数据
参与这项研究的研究人员之一德米特里·邦达伦科已经在汉诺威莱布尼茨大学的托拜厄斯·奥斯伯恩教授的指导下，致力于一种基于量子机器学习的新算法
在这项新的研究中，邦达伦科和他的同事波琳娜·费尔德曼着手研究使用这种算法对量子增强仪器收集的数据进行去噪的可行性
“量子机器学习是一个非常有前途的话题，因为它可以结合机器学习的多功能性和量子算法的力量，”邦达伦科和费尔德曼告诉物理
通过电子邮件组织
“机器学习是一种无处不在的数据分析方法
" 就像传统的机器学习算法一样，量子机器学习算法依赖于一系列变化的参数，这些参数需要在算法用于分析数据之前进行优化
为了学习正确的参数，算法首先需要在与它被设计来完成的任务(例如
g
、模式识别、图像分类等
)
邦达伦科和费尔德曼说:“当我们说量子机器学习时，我们指的是算法的输入和输出是量子态，例如，一些量子比特(量子比特)，可以用超导体来实现。”
“将输入状态映射到输出状态的算法应该在量子计算机上实现
必须优化的变分参数是在量子计算机上执行的变换的经典参数
" 两位研究人员想要测试之前由邦达伦科、奥斯伯恩和他们的其他同事开发的量子机器学习算法是否可以用于清理使用量子增强计量工具收集的数据
这最终导致了量子自动编码器在他们最近的论文中的发展
“假设你有一个量子实验，给你一些嘈杂的量子态，”邦达伦科和费尔德曼解释说
“进一步假设你有一台量子计算机可以处理这些状态
我们的自动编码器是一种算法，它告诉量子计算机如何转换来自实验的有噪声的量子态，以消除它们的噪声
" 作为他们研究的第一步，邦达伦科和费尔德曼优化了他们的算法，训练他们有效地去噪量子数据
由于去噪后的参考状态很难获得或无法通过实验获得，研究人员使用了一种在优化经典自动编码器时经常使用的技巧，这是一种无监督的机器学习算法
邦达伦科和费尔德曼说:“关键在于，算法的编写方式使得它必须减少从输入状态到输出状态的信息。”
“现在，品质因数被定义为自动编码器处理的状态与您实验中的另一个噪声状态的相似度
为了使这些状态尽可能相似，自动编码器必须保持两种状态(它们共同的无噪声源)的信息相等，同时丢弃噪声，在来自实验的每个状态中，噪声是不同的
" 该图概述了QNN循环的结构
信用:邦达伦科& amp费尔德曼
研究人员进行了无数次模拟，在模拟中他们产生了嘈杂的纠缠量子态
首先，他们使用这些“实验”输出来优化自动编码器的可变参数
一旦这个训练阶段完成，他们就能够评估他们的自动编码器在量子测量去噪方面的性能
“我们方法的美妙之处在于它的普遍性，”邦达伦科和费尔德曼说
“你不需要事先知道你的实验输出是什么样的，也不需要描述你的噪声源
即使您的实验输出不是唯一的，但取决于一些实验控制参数，去噪也是有效的，这对计量应用至关重要
" 数值实验的目标是消除大量受自旋翻转误差和随机幺正噪声影响的高度纠缠量子态的噪声
他们的算法取得了显著的成果，也可以在当前的量子设备上实现
这些算法需要一台量子计算机来处理特定的实验输出(即
e
量子数据)
例如，如果一名研究人员试图使用自动编码器根据捕获的离子去噪数据，但她的量子计算机使用超导量子位，她还需要使用一种技术，可以将状态从一个物理平台映射到另一个物理平台
邦达伦科和费尔德曼说:“有效地训练我们的自动编码器需要多次试验、大量的实验数据以及测量量子态之间相似性的能力。”
“尽管如此，我们的算法在这些资源方面并不太浪费，而且我们的例子足够小，至少就量子位的数量而言，很容易适合许多现有的量子计算机
" 虽然已经发现量子机器学习技术和量子计算机在各种任务中表现良好，但研究人员仍在试图确定它们最有用的实际应用
邦达伦科和费尔德曼最近进行的研究提供了一个清晰的例子，说明量子机器学习方法如何最终应用于现实世界
“我们的方法会起作用，这一点都不明显；它不仅仅是工作，至少在我们的小例子中，它工作得非常好，”邦达伦科和费尔德曼说
在未来，这两位研究人员开发的量子自动编码器可以用来提高使用量子增强工具收集的测量结果的可靠性，特别是那些使用多体纠缠态的测量结果
此外，它们可以作为不同量子体系结构之间的接口
“不同的量子设备有不同的优点，”邦达伦科和费尔德曼说
“例如，使用冷原子来测量重力可能更容易，光子对通信非常有用，超导量子比特对量子信息处理更有用
为了转换这些不同平台之间交换的信息，我们需要接口，接口本身会引入错误
我们的自动编码器可以帮助消除这些交换数据的噪声
" 邦达伦科和费尔德曼现在正试图开发一种不同类型的量子算法:循环量子神经网络
这种新算法的循环架构应该允许它存储过去处理过的信息，并具有“记忆”，这将允许研究人员校正漂移
“这可以使量子实验更简单，因为漂移会被后处理过滤掉，”邦达伦科和费尔德曼说
递归神经网络的另一个应用是在缓慢变化的噪声情况下的去噪
例如，如果一个人通过空气发送纠缠光子，噪声在多云的天气和炎热的天气之间会有所不同
然而，天气不会瞬间改变，所以有记忆的算法比没有记忆的算法更好
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
