Les chercheurs de Bristol développent un algorithme pour formuler des systèmes quantiques

`` Comme les modèles hamiltoniens sous-tendent l'étude et l'analyse des processus physiques et chimiques, il est Il est crucial qu'ils soient fidèles au système qu'ils représentent », disent les chercheurs,« cependant, il est difficile de formuler et de tester des hamiltoniens candidats pour des systèmes quantiques à partir de données expérimentales, car on ne peut pas observer directement quelles interactions sont présentes ».

«Ici, nous proposons et démontrons un protocole automatisé pour surmonter ce défi en concevant un agent qui exploite l'apprentissage automatique non supervisé. Nous montrons tout d'abord les capacités de notre approche à déduire le hamiltonien correct lors de l'étude d'une configuration de centre de vacance d'azote. Dans les simulations préliminaires, le modèle exact est connu et est correctement déduit avec des taux de réussite allant jusqu'à 59% ».

«Lors de l'utilisation de données expérimentales, 74% des instances de protocole récupèrent des modèles jugés plausibles. Systèmes multi-spins simulés, caractérisés par un espace de 10¹⁰ les modèles possibles, sont également étudiés en incorporant un algorithme génétique dans notre protocole, qui identifie le modèle cible dans 85% des cas ».

«Le développement d'agents automatisés, capables de formuler et de tester des hypothèses de modélisation à partir d'hypothèses antérieures limitées, représente une étape fondamentale vers la caractérisation de grands systèmes quantiques.

L'algorithme pourrait être utilisé pour faciliter la caractérisation automatisée de nouveaux dispositifs, tels que les capteurs quantiques.

«En combinant la puissance des supercalculateurs d'aujourd'hui avec l'apprentissage automatique, nous avons pu découvrir automatiquement la structure des systèmes quantiques. À mesure que de nouveaux ordinateurs / simulateurs quantiques deviennent disponibles, l'algorithme devient plus excitant: il peut d'abord aider à vérifier les performances de l'appareil lui-même, puis à exploiter ces appareils pour comprendre des systèmes de plus en plus grands », explique le chercheur Brian Flynn.