Квантовая нейронная сеть может обмануть принцип неопределенности

Принцип неопределенности Гейзенберга накладывает ограничения на то, насколько точно мы можем измерить определенные свойства квантовых объектов. Но исследователи, возможно, нашли способ обойти это ограничение, используя квантовую версию нейронной сети.

Учитывая, например, химически полезную молекулу, как вы можете предсказать, какими свойствами она может обладать через час или завтра? Чтобы сделать такие прогнозы, исследователи начинают с измерения его текущих свойств. Но для квантовых объектов, включая некоторые молекулы, это может оказаться неожиданно трудным, поскольку каждое измерение может помешать или изменить результат следующего измерения. Примечательно, что принцип неопределенности Гейзенберга гласит, что некоторые квантовые свойства объектов просто невозможно точно измерить одновременно. Например, если вы очень хорошо измерите импульс квантовой частицы, измерение ее положения даст лишь приблизительное число.

Сейчас, Дуанлу Чжоу из Китайской академии наук и его коллеги математически доказали, что использование квантовые версии нейронной сети может избежать некоторых из этих трудностей.

Команда Чжоу исследовала проблему по практическим соображениям. Когда исследователи запускают квантовые компьютеры, им необходимо знать свойства строительных блоков компьютера, которые называются кубитами, либо для оценки и тестирования устройства, либо для эффективного использования этих кубитов, когда эмуляция объекта как молекула или материал. Чтобы определить свойства кубита, исследователи обычно применяют некоторые операции, подобные тому, как вы применяете «деление на 2», чтобы определить, является ли число четным. Но принцип неопределенности означает, что некоторые из этих операций будут несовместимы – это эквивалентно невозможности умножить число на три, а затем разделить его на два и при этом получить значимый ответ.

Расчеты исследователей теперь показывают, что проблему несовместимости можно решить, если вместо более простых операций применить алгоритм квантового машинного обучения — квантовую нейронную сеть (QNN).

Важно отметить, что некоторые шаги в этом алгоритме должны выбираться случайным образом из заранее определенного набора. Прошлые исследования обнаружили, что такое случайность могут сделать QNN более эффективными при определении одного свойства квантового объекта, но Чжоу и его коллеги расширили идею до измерения нескольких свойств, включая комбинации свойств, обычно ограничиваемых принципом неопределенности. Они смогли это сделать, потому что результаты многих последовательных случайных операций можно расшифровать с помощью специальных статистических методов, чтобы получить более точные результаты, чем когда многократно выполняется только одна операция.

Роберт Хуанг в Калифорнийском технологическом институте говорят, что возможность эффективно измерять многие несовместимые свойства означает, что ученые смогут узнать о данной квантовой системе гораздо быстрее, что важно для применения квантовых компьютеров в химии и материаловедении, а также для понимания все более крупные квантовые компьютеры сами себя.

Новый подход вполне может быть реализован на практике, но его успех может зависеть от того, насколько он полезен по сравнению с аналогичными подходами, которые также используют случайность для проведения информативных квантовых измерений, говорит Хуанг.