Машинное обучение помогло смоделировать квантовые системы
Для создания вычислительных устройств нового поколения необходимо как можно более точно описывать поведение частиц в квантовых системах. Новый алгоритм с машинным обучением способен выбирать только те модели, которые описывают целевую систему с максимальной точностью
Системы частиц и их эволюция описываются математическими моделями, для создания которых требуется крепкая теоретическая база и большой массив эспериментальных данных. Еще более сложным является описание систем частиц, взаимодействующих друг с другом на квантовомеханическом уровне. Часто это делается при помощи гамильтоновых моделей. Создать такие модели на основе наблюдений сложно из-за природы квантовых состояний, которые коллапсируют при попытках их проверить.
Теперь физики разработали новый протокол для создать и проверки моделей, описывающих квантовые системы. Их алгоритм работает автономно, проектируя и выполняя эксперименты на целевой системе, при этом результате моделирования поступают обратно в программу. Она предлагает возможные гамильтоновы модели для описания целевой системы и ранжирует их при помощи коэффициентов Байеса — специальных статических метрик.
Ученые продемонстрировали способности алгоритма в реальном квантовом эксперименте на центрах дефектов в алмазе — хорошо изученной платформе для обработки квантовой информации и квантового зондирования. Этот алгоритм, согласно авторам, можно использовать для автоматизированной проверки и настройки новых устройств, таких как квантовые сенсоры.
Следующим шагом своей работы физики видят расширение возможностей алгоритма для изучения более крупных систем и различных классов квантовых моделей, в основе каждой из которых лежат различные типы структур и физические принципы работы.
Статья об открытии опубликована в журнале Nature Physics.
