Impulso del Aprendizaje Automático Autónomo para Sensores Cuánticos

Un protocolo autónomo de aprendizaje automático desarrollado en la Universidad de Bristol hace ingeniería inversa con modelos hamiltonianos para impulsar el desarrollo de sensores cuánticos.

Investigadores del Reino Unido han desarrollado un algoritmo de aprendizaje automático autónomo que simplifica drásticamente los sistemas cuánticos.

Investigadores de los laboratorios de tecnología de ingeniería cuántica de la Universidad de Bristol (QETLabs) desarrollaron un nuevo protocolo para formular y validar modelos aproximados para sistemas cuánticos de interés.

El algoritmo del Agente de aprendizaje del modelo cuántico (QMLA) funciona de forma autónoma, diseñando y realizando experimentos en el sistema cuántico objetivo, y los datos resultantes se retroalimentan en el algoritmo. Propone modelos hamiltonianos candidatos para describir el sistema objetivo y los distingue utilizando métricas estadísticas, a saber, factores de Bayes.

Los investigadores pudieron utilizar el algoritmo en un experimento cuántico de la vida real que involucra centros de defectos en un diamante, una plataforma bien estudiada para el procesamiento de información cuántica y la detección cuántica.

El algoritmo podría usarse para ayudar a la caracterización automatizada de nuevos dispositivos, como sensores cuánticos. Por lo tanto, este desarrollo representa un avance significativo en el desarrollo de tecnologías cuánticas.

“Combinando el poder de las supercomputadoras actuales con el aprendizaje automático, pudimos descubrir automáticamente la estructura en los sistemas cuánticos. A medida que se encuentran disponibles nuevas computadoras / simuladores cuánticos, el algoritmo se vuelve más emocionante: primero puede ayudar a verificar el rendimiento del dispositivo en sí, luego explotar esos dispositivos para comprender sistemas cada vez más grandes ”, dijo Brian Flynn de QETLabs y Quantum Engineering Center. para la Formación Doctoral.

«Este nivel de automatización hace posible considerar miles de modelos hipotéticos antes de seleccionar uno óptimo, una tarea que de otro modo sería abrumadora para los sistemas cuya complejidad es cada vez mayor», dijo Andreas Gentile, anteriormente de QETLabs de Bristol, ahora en Qu & Co .

«Comprender la física subyacente y los modelos que describen los sistemas cuánticos, nos ayuda a avanzar en nuestro conocimiento de las tecnologías adecuadas para la computación cuántica y la detección cuántica», dijo Sebastian Knauer, también antes de QETLabs y ahora con base en la Facultad de Física de la Universidad de Viena.

“En el pasado, hemos confiado en el genio y el arduo trabajo de los científicos para descubrir nueva física. Aquí, el equipo potencialmente ha pasado una nueva página en la investigación científica al otorgar a las máquinas la capacidad de aprender de los experimentos y descubrir nueva física. Las consecuencias podrían ser de gran alcance ”, dijo Anthony Laing, codirector de QETLabs y profesor asociado en la Escuela de Física de Bristol.

El siguiente paso para la investigación es extender el algoritmo para explorar sistemas más grandes y diferentes clases de modelos cuánticos que representan diferentes regímenes físicos o estructuras subyacentes.

 

Para accesar a nuestros servicios relacionados con el área de Tecnología, solo debes visitarnos a través del enlace:

https://iamgbusiness.com

Jhonn Lenon M

Emprendedor

Deja una respuesta

Tu dirección de correo electrónico no será publicada.

A %d blogueros les gusta esto: