An der ETH büffeln Computer Quantenphysik
Schnellere Tomographie für Quantenzustände
«Maschinelles Lernen zur Rekonstruktion von Quantenzuständen aus Messergebnissen zu verwenden, hat eine Reihe von Vorteilen», erklärt Carleo. Er führt ein eindrucksvolles Beispiel an, in dem der Quantenzustand von nur acht zusammenhängenden Quantensystemen (gefangenen Ionen) experimentell bestimmt werden sollte. Mit einem als Quantentomographie bekannten Standardverfahren waren in etwa eine Million Messungen nötig, um die gewünschte Genauigkeit zu erreichen. Die neue Methode dagegen schaffte das mit wesentlich weniger Messungen, und zudem konnten auch deutlich grössere Systeme untersucht werden, die vorher nicht zugänglich waren.
Das ist vielversprechend, denn für gewöhnlich geht man davon aus, dass die Zahl an Rechenschritten, die man benötigt, um ein komplexes Quantensystem auf einem klassischen Computer zu simulieren, exponentiell mit der Zahl der Quantenobjekte im System ansteigt. Der Hauptgrund dafür ist ein Phänomen namens Verschränkung, das dazu führt, dass weit voneinander entfernte Teile des Systems innig miteinander in Verbindung stehen, obwohl sie keine Informationen austauschen. Carleo und seine Kollegen verwenden eine Schicht aus «versteckten» Neuronen, um dies zu berücksichtigen. Dadurch schafft es der Computer, den korrekten Quantenzustand auf viel kompaktere Weise zu kodieren.
Tests für Quantencomputer
Die Möglichkeit Quantensysteme zu untersuchen, die aus vielen Komponenten – oder «Qubits», wie sie häufig genannt werden – bestehen, ist zudem für künftige Quantentechnologien von Bedeutung, wie Carleo betont: «Wenn wir Quantencomputer testen wollen, die aus mehr als einer Handvoll an Qubits bestehen, werden wir das mit herkömmlichen Mitteln wegen der exponentiellen Skalierung nicht schaffen. Unser Ansatz über das maschinelle Lernen dagegen sollte es uns ermöglichen, Quantencomputer mit bis zu 100 Qubits zu testen.» Ausserdem kann die Maschinenenlern-Software Experimentalphysikern helfen, indem sie es ihnen erlaubt, virtuelle Messungen durchzuführen, die im Labor nur sehr schwierig zu realisieren wären.
Ein Beispiel dafür ist der Verschränkungsgrad eines Systems, das aus vielen miteinander wechselwirkenden Qubits besteht. Bislang ist die Methode nur an künstlich erzeugten Daten getestet worden, aber die Forscher planen, sie schon bald für die Analyse von echten experimentellen Daten zu benutzen.
