Até agora, as técnicas de aprendizado de máquina provaram ser muito promissoras para a análise de dados em vários campos, com muitas aplicações em potencial. No entanto, os pesquisadores descobriram que a aplicação desses métodos a problemas de física quântica é muito mais desafiadora devido à complexidade exponencial dos sistemas de muitos corpos.
Os sistemas quânticos de muitos corpos são estruturas essencialmente microscópicas compostas de várias partículas em interação. Embora os estudos de física quântica tenham se concentrado no comportamento coletivo desses sistemas, o uso de aprendizado de máquina nessas investigações provou ser muito difícil.
Com isso em mente, uma equipe de pesquisadores da Universidade de Harvard desenvolveu recentemente um algoritmo quântico baseado em circuitos inspirado nas redes neurais convolucionais (CNNs), uma técnica popular de aprendizado de máquina que obteve resultados notáveis ??em uma variedade de campos. Em seu artigo, publicado na Nature Physics, os pesquisadores descreveram essa nova arquitetura e avaliaram sua precisão no reconhecimento de estados quânticos associados a uma fase topológica 1-D, protegida por simetria.
“Nosso trabalho é amplamente motivado pelo recente progresso experimental para construir computadores quânticos e o desenvolvimento de inteligência artificial com base em métodos de redes neurais”, disse Soonwon Choi, um dos pesquisadores que realizou o estudo, ao Phys.org. “Em certo sentido, a idéia de combinar técnicas de aprendizado de máquina e computadores / simuladores quânticos é muito natural: em ambos os campos, estamos tentando extrair informações significativas de uma grande quantidade de dados complexos”.
Como físico teórico que investiga sistemas quânticos de muitos corpos, Choi sempre se perguntava se poderia haver uma maneira mais eficiente de analisar a grande quantidade de dados complexos obtidos usando simuladores quânticos. As redes neurais artificiais logo chamaram sua atenção, pois levaram a resultados notáveis ??em várias outras tarefas.
Transformar as abordagens tradicionais de aprendizado de máquina para que elas pudessem ser efetivamente aplicadas na física quântica, no entanto, parecia desafiador. A principal razão para isso é que os simuladores quânticos existentes são muito pequenos, portanto, são incapazes de suportar CNNs em larga escala e outras técnicas de aprendizado de máquina que estão sendo usadas em computadores convencionais.
“Tivemos que garantir que todos os recursos importantes das técnicas convencionais de aprendizado de máquina sejam mantidos enquanto nosso novo algoritmo é o mais compacto possível”, explicou Choi. “Um dos objetivos do presente trabalho era generalizar uma arquitetura específica e bem conhecida de aprendizado de máquina chamada rede neural convolucional (CNN) para um circuito quântico compacto e demonstrar suas capacidades com exemplos simplistas, mas significativos”.
Em seu estudo, Choi e seus colegas assumiram que as CNNs devem seu grande sucesso a duas características importantes. Em primeiro lugar, o fato de serem feitos de unidades locais menores (isto é, várias camadas de portas quânticas quase-locais). Em segundo lugar, sua capacidade de processar dados de entrada de maneira hierárquica. Os pesquisadores descobriram uma conexão entre essas duas características e dois renomados conceitos de física conhecidos como localidade e renormalização.
“A localidade é natural na física porque acreditamos que a lei da natureza é fundamentalmente local”, disse Choi. “Renormalização, por outro lado, é um conceito muito interessante. Na física, certas características universais de um sistema quântico de muitos corpos, como a fase (por exemplo, líquido, gás, sólido, etc.) de materiais não dependem de (ou não são sensíveis a) informações microscopicamente detalhadas do sistema, mas governadas por apenas alguns parâmetros ocultos importantes. A renormalização é uma técnica de teoria para identificar esses parâmetros importantes a partir da descrição microscópica de um sistema quântico “.
Os pesquisadores observaram que os processos de renormalização compartilham algumas semelhanças com os aplicativos de reconhecimento de padrões, particularmente aqueles em que o aprendizado de máquina é usado para identificar objetos nas imagens. Por exemplo, quando uma CNN treinada para tarefas de reconhecimento de padrões analisa imagens de animais, ela se concentra em um recurso universal (ou seja, tentando identificar qual animal é retratado na imagem), independentemente de animais individuais do mesmo tipo (por exemplo, gatos ) parecem um pouco diferentes.
Esse processo é um pouco semelhante às técnicas de renormalização da física teórica, que também podem ajudar a destilar informações universais. Em seu estudo, Choi e seus colegas tentaram desenvolver uma arquitetura com as mesmas qualidades-chave das CNNs, mas isso também seria aplicável a problemas de física quântica.
“O circuito quântico resultante envolve apenas o número de log (n) de parâmetros a serem otimizados para dados de entrada de n-qubit, o que é uma melhoria exponencial dupla em comparação com uma abordagem ingênua, na qual o número de exp (n) de parâmetros é otimizado”, explicou Choi. . “Quando o número de parâmetros a otimizar se torna tão pequeno, pode-se preocupar que nosso circuito não seja capaz de tarefas complexas de processamento de informações. No entanto, demonstramos que, apesar de seu tamanho pequeno, nossa CNN quântica ainda é capaz de reconhecer diferentes fases quânticas e projetar esquemas de correção de erro quântico “
Os pesquisadores avaliaram a técnica que eles desenvolveram, denominada rede neural convolucional quântica (QCNN), em um problema específico da física quântica que envolvia o reconhecimento de estados quânticos associados a uma fase topológica protegida por simetria 1-D. Notavelmente, sua técnica foi capaz de reconhecer esses estados quânticos, superando as abordagens existentes. Como é bastante compacto, o QCNN também pode ser potencialmente implementado em pequenos computadores quânticos.
“Na minha opinião, a descoberta mais significativa em nosso trabalho é a conexão entre conceitos conhecidos da física, renormalização (ou mais precisamente, renormalização de entrelaçamento multiescala ansatz) e uma técnica bem-sucedida de processamento de informações em inteligência artificial, CNN”, disse Choi. “Conexões similares já foram sugeridas há vários anos, mas aqui substanciamos com êxito a conexão, demonstrando-a explicitamente com um exemplo limpo”.
Choi e seus colegas estão entre os primeiros a criar com sucesso uma arquitetura inspirada na CNN que incorpora a física quântica. Os exemplos descritos em seu artigo também são simples o suficiente para serem aplicados experimentalmente a dispositivos quânticos existentes e futuros. Seus resultados sugerem que a renormalização poderia ser uma técnica promissora de processamento de informações quânticas e, portanto, pretendem explorar mais essa idéia.
“Demonstramos que nosso método permite projetar esquemas de correção de erros quânticos personalizados para um determinado sistema experimental”, afirmou Choi. “Seria muito emocionante ver sua ação ao sair das plataformas de computação quântica e melhorar seu desempenho”.
Em seu trabalho futuro, Choi e seus colegas tentarão primeiro usar suas descobertas para desenvolver novos computadores quânticos. Além disso, eles gostariam de realizar pesquisas adicionais investigando a relação entre CNNs ou outros métodos baseados em redes neurais e técnicas de renormalização.
“Embora tenhamos demonstrado um bom exemplo para sistemas quânticos unidimensionais, ainda falta um estudo mais aprofundado da conexão em toda a sua generalidade”, acrescentou Choi. “Em particular, estudar a conexão em sistemas quânticos bidimensionais seria uma direção emocionante para o futuro.”
Assine nossa newsletter e fique informado sobre Astrofísica, Biofísica, Geofísica e outras áreas. Preencha seu e-mail no espaço abaixo e clique em “OK”: