Международная группа ученых, в которую вошли российские исследователи из Центра , обучила нейронную сеть предсказывать, является ли набор измерений в квантовой томографии информационно полным. Это позволит тратить меньшее количество измерений и времени на реконструкцию квантовых состояний, не используя при этом априорных предположений о возможном типе состояния. Статья опубликована в New Journal of Physics.
Методы сжатого считывания (compressive sensing) позволяют восстанавливать сигнал, используя информацию о его предыдущих значениях, которые разрежены или сжаты. Этот подход используют и для определения квантовых состояний. Методы, не использующие априорную информацию, опираются на определение полноты набора измерений. Однозначно восстановить неизвестное состояние можно, только когда набор измерений полный. До недавнего времени определение полноты измерений сводилось к серии задач оптимизации, которые нужно было решать по ходу эксперимента.
Международная группа ученых, включающая сотрудников Центра компетенций Национальной технологической инициативы по технологиям хранения и анализа больших данных и Центра квантовых технологий физического факультета МГУ имени М.В. Ломоносова, заменила оптимизационный алгоритм нейронной сетью. Это позволило существенно снизить сложность вычислений (например, для состояний размерности 64 продемонстрировано ускорение на 3 порядка) и, следовательно, уменьшить затрачиваемое на эксперимент время. Соответственно, таким образом можно повысить точность томографии, когда исследуемое состояние меняется с течением времени. Ученые проверили нейросеть как в эксперименте с многофотонными поляризационными состояниями, так и для пространственных состояний света большой размерности.
«Обучение нейросетей может быть выполнено заранее, на синтетических данных, полученных посредством симуляции работы экспериментальной установки, — говорит соавтор исследования Глеб Стручалин. — Затем полученные нейросети могут без изменений многократно применяться в различных реальных экспериментах для определения полноты измерений и оценки точности восстановления состояния. В то же время качество предсказаний, выдаваемых нейросетями, повышается, если в синтетическую обучающую выборку добавить результаты измерений, полученные в эксперименте. При этом нейросети изучат модель шума, которая отсутствовала в симулированных данных».
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
