Bristol-onderzoekers ontwikkelen algoritmen om kwantumsystemen te formuleren

'Aangezien Hamiltoniaanse modellen de studie en analyse van fysische en chemische processen ondersteunen, is dat zo cruciaal dat ze trouw zijn aan het systeem dat ze vertegenwoordigen', zeggen de onderzoekers, 'maar het formuleren en testen van kandidaat-Hamiltonianen voor kwantumsystemen uit experimentele gegevens is moeilijk, omdat men niet direct kan waarnemen welke interacties aanwezig zijn.'

'Hier stellen we een geautomatiseerd protocol voor en demonstreren we om deze uitdaging aan te gaan door een agent te ontwerpen die gebruikmaakt van onbewaakte machine learning. We laten eerst de mogelijkheden van onze benadering zien om de juiste Hamiltoniaan af te leiden bij het bestuderen van een stikstof-leegstandscentrumopstelling. In voorlopige simulaties is het exacte model bekend en correct afgeleid met slagingspercentages tot 59%.'

'Bij het gebruik van experimentele gegevens haalt 74% van de protocolinstanties modellen op die plausibel worden geacht. Gesimuleerde multi-spin-systemen, gekenmerkt door een spatie van 10¹⁰ mogelijke modellen, worden ook onderzocht door een genetisch algoritme in ons protocol op te nemen, dat in 85% van de gevallen het doelmodel identificeert.'

'De ontwikkeling van geautomatiseerde agenten, die in staat zijn modelleringshypothesen te formuleren en te testen op basis van beperkte eerdere aannames, vertegenwoordigt een fundamentele stap in de richting van de karakterisering van grote kwantumsystemen.'

Het algoritme kan worden gebruikt om de geautomatiseerde karakterisering van nieuwe apparaten, zoals kwantumsensoren, te ondersteunen.

“Door de kracht van de huidige supercomputers te combineren met machine learning, waren we in staat om automatisch structuur in kwantumsystemen te ontdekken. Naarmate er nieuwe kwantumcomputers/simulators beschikbaar komen, wordt het algoritme spannender: eerst kan het helpen om de prestaties van het apparaat zelf te verifiëren, en vervolgens die apparaten gebruiken om steeds grotere systemen te begrijpen”, zegt onderzoeker Brian Flynn.