Tecnologia Científica
Redes neurais quânticas: uma maneira mais fácil de aprender processos quânticos
Os cientistas da EPFL mostram que mesmo alguns exemplos simples são suficientes para um modelo quântico de aprendizado de máquina, as
Por
Ecole Polytechnique Federale de Lausanne - 05/07/2023
Domínio público
Os cientistas da EPFL mostram que mesmo alguns exemplos simples são suficientes para um modelo quântico de aprendizado de máquina, as "redes neurais quânticas", para aprender e prever o comportamento de sistemas quânticos, aproximando-nos de uma nova era da computação quântica.
Imagine um mundo onde os computadores podem desvendar os mistérios da mecânica quântica , permitindo-nos estudar o comportamento de materiais complexos ou simular a intrincada dinâmica de moléculas com uma precisão sem precedentes.
Graças a um estudo pioneiro liderado pela professora Zoe Holmes e sua equipe na EPFL, agora estamos mais perto de isso se tornar realidade. Trabalhando com pesquisadores da Caltech, da Universidade Livre de Berlim e do Laboratório Nacional de Los Alamos, eles encontraram uma nova maneira de ensinar um computador quântico a entender e prever o comportamento de sistemas quânticos. A pesquisa foi publicada na Nature Communications .
Redes neurais quânticas (QNNs)
Os pesquisadores trabalharam em "redes quânticas neurais" (QNNs), um tipo de modelo de aprendizado de máquina projetado para aprender e processar informações usando princípios inspirados na mecânica quântica para imitar o comportamento dos sistemas quânticos.
Assim como as redes neurais usadas na inteligência artificial , os QNNs são feitos de nós interconectados, ou “neurônios”, que realizam cálculos. A diferença é que, nas QNNs, os neurônios operam com base nos princípios da mecânica quântica, permitindo que eles manipulem e manipulem informações quânticas .
"Normalmente, quando ensinamos algo a um computador, precisamos de muitos exemplos", diz Holmes. "Mas neste estudo, mostramos que com apenas alguns exemplos simples chamados 'estados de produto', o computador pode aprender como um sistema quântico se comporta mesmo quando lida com estados emaranhados, que são mais complicados e difíceis de entender."
Estados do produto
Os "estados de produto" que os cientistas usaram referem-se a um conceito da mecânica quântica que descreve o tipo específico de estado de um sistema quântico. Por exemplo, se um sistema quântico é composto de dois elétrons, seu estado de produto é formado quando o estado de cada elétron individual é considerado independentemente e depois combinado.
Os estados do produto são frequentemente usados ??como ponto de partida em cálculos e medições quânticas porque fornecem uma estrutura mais simples e gerenciável para estudar e entender o comportamento dos sistemas quânticos, antes de passar para estados mais complexos e emaranhados, onde as partículas estão correlacionadas e não podem ser descrito de forma independente.
Computadores quânticos melhores à frente
Os pesquisadores demonstraram que, ao treinar QNNs usando apenas alguns desses exemplos simples, os computadores podem efetivamente compreender a dinâmica complexa de sistemas quânticos emaranhados.
Holmes explica: "Isso significa que [nós] podemos aprender e entender sistemas quânticos usando computadores menores e mais simples, como os computadores de escala intermediária de curto prazo [NISQ] que provavelmente teremos nos próximos anos, em vez de precisando de outros grandes e complexos, que podem estar a décadas de distância."
O trabalho também abre novas possibilidades para o uso de computadores quânticos para resolver problemas importantes, como estudar novos materiais complexos ou simular o comportamento de moléculas.
Por fim, o método melhora o desempenho dos computadores quânticos ao permitir a criação de programas mais curtos e resistentes a erros. Ao aprender como os sistemas quânticos se comportam, podemos simplificar a programação de computadores quânticos, levando a uma maior eficiência e confiabilidade. “Podemos tornar os computadores quânticos ainda melhores tornando seus programas mais curtos e menos propensos a erros”, diz Holmes.
Mais informações: Matthias C. Caro et al, Generalização fora da distribuição para aprender dinâmica quântica, Nature Communications (2023). DOI: 10.1038/s41467-023-39381-w
Informações do jornal: Nature Communications
