Bristol-Forscher entwickeln Algorithmen zur Formulierung von Quantensystemen

'Da Hamiltonsche Modelle die Untersuchung und Analyse physikalischer und chemischer Prozesse unterstützen, ist dies der Fall Entscheidend ist, dass sie dem System, das sie repräsentieren, treu sind ", sagen die Forscher." Es ist jedoch schwierig, Kandidaten-Hamiltonianer für Quantensysteme aus experimentellen Daten zu formulieren und zu testen, da man nicht direkt beobachten kann, welche Wechselwirkungen vorliegen. "

'Hier schlagen wir ein automatisiertes Protokoll vor und demonstrieren es, um diese Herausforderung zu bewältigen, indem wir einen Agenten entwerfen, der unbeaufsichtigtes maschinelles Lernen ausnutzt. Wir zeigen zunächst die Möglichkeiten unseres Ansatzes, den richtigen Hamilton-Wert abzuleiten, wenn wir die Einrichtung eines Stickstoff-Leerstandszentrums untersuchen. In vorläufigen Simulationen ist das genaue Modell bekannt und wird mit Erfolgsraten von bis zu 59% korrekt abgeleitet. '

'Bei Verwendung experimenteller Daten rufen 74% der Protokollinstanzen Modelle ab, die als plausibel erachtet werden. Simulierte Multi-Spin-Systeme, gekennzeichnet durch einen Raum von 10¹⁰ Mögliche Modelle werden auch untersucht, indem ein genetischer Algorithmus in unser Protokoll aufgenommen wird, der das Zielmodell in 85% der Fälle identifiziert. '

"Die Entwicklung automatisierter Agenten, die Modellhypothesen aus begrenzten vorherigen Annahmen formulieren und testen können, ist ein grundlegender Schritt zur Charakterisierung großer Quantensysteme."

Der Algorithmus könnte verwendet werden, um die automatisierte Charakterisierung neuer Geräte wie Quantensensoren zu unterstützen.

„Durch die Kombination der Leistung heutiger Supercomputer mit maschinellem Lernen konnten wir automatisch Strukturen in Quantensystemen entdecken. Wenn neue Quantencomputer / Simulatoren verfügbar werden, wird der Algorithmus spannender: Zuerst kann er dazu beitragen, die Leistung des Geräts selbst zu überprüfen, und dann diese Geräte nutzen, um immer größere Systeme zu verstehen “, sagt der Forscher Brian Flynn.