de.wedoany.com-Bericht: Ein Forschungsteam von Quandela, dem Zentrum für Theoretische Physik der Polnischen Akademie der Wissenschaften (Center for Theoretical Physics of the Polish Academy of Sciences) und der Universität Warschau (University of Warsaw) hat experimentell eine skalierbare physikalische Quanten-Maschinenlernarchitektur demonstriert. Das Projekt wird durch das EU-Programm Horizont Europa im Rahmen des QUONDENSATE-Pfadfinderprojekts unterstützt. Das Team nutzte eine programmierbare photonische Quantenverarbeitungseinheit auf Siliziumbasis, die durch Einzelphotonenzustände angeregt wird, um gleichzeitig klassische maschinelle Lernklassifikation und Quanteninformationsverarbeitung durchzuführen.
Die Hardware überwindet den exponentiellen Skalierungsengpass bei der Quantenzustandscharakterisierung, indem sie eine vollständige Quantenzustandstomographie und Mehrfachmoden-Verschränkungsverfolgung unter Verwendung einer einzigen festen Messbasis durchführt. Der Versuchsaufbau basiert auf dem physikalischen Prinzip des Quanten-Reservoir-Computings und ist als Quanten-Reservoir-Verarbeitungsnetzwerk konfiguriert. Das nicht trainierbare „Reservoir" besteht aus einem auf einem Silizium-Chip integrierten Gitter aus Bell-Walmsley-Interferometern, das ein dichtes Netzwerk aus optischen Wellenleitern, Modenkopplern und thermooptisch gesteuerten thermischen Phasenschiebern umfasst.
Bei der Informationsverarbeitung werden Einzelphotonenimpulse, die von einem in einer Mikrosäulenkavität eingebetteten Halbleiter-Quantenpunkt erzeugt werden, nach dem Routing durch einen 12-modigen aktiven Demultiplexer als nichtklassische Multimoden in den 24-modigen Belenos-QPU-Chip von Quandela eingespeist. Während die Photonen durch ein programmierbares Array von Mach-Zehnder-Interferometern (MZI) laufen, durchlaufen sie komplexe, durch Quanteninterferenz angetriebene Transformationen. Der Ausgangszustand wird durch polarisationsauflösende Photonenzahl-unterscheidende (PNR) Detektoren in Verbindung mit einem elektronischen Korrelator abgebildet. Das System konstruiert aus der Mehrphotonen-Koinzidenzwahrscheinlichkeitsverteilung einen 15-elementigen Merkmalsvektor und umgeht damit die binäre Einschränkung von Standard-Schwellenwertdetektoren.
Diese Quanten-Reservoir-Verarbeitungsplattform wurde mit einem Standard-Photonenzahl-unterscheidenden Aufbau verglichen, um eine Quantenzustandstomographie an einer multimodalen Zweiphotonen-Mischdichtematrix durchzuführen. Während die traditionelle Quantenzustandstomographie exponentielle Messungen über mehrere Messbasen hinweg erfordert, nutzt dieses Framework eine einzige feste, zufällige unitäre Transformationsmatrix, um multimodale Quantenkorrelationen auf verfolgbare Photonenzählmerkmale abzubilden. Die von der Hardware ausgeführte Quanten-Reservoir-Verarbeitungsarchitektur erreichte eine durchschnittliche Testdatensatz-Treue von 0,820 und übertraf damit den Basislinien-Photonenzahl-unterscheidenden Referenzwert von 0,747, der aufgrund fehlender optischer Interferenz nicht in der Lage war, nichtdiagonale Phasenkohärenzen aufzulösen. Aus der rekonstruierten Dichtematrix extrahierte die Software drei Quantenmetriken: Reinheit, Von-Neumann-Entropie und Negativität (ein strenges Maß für Quantenverschränkung).
Das Team zeichnete die Skalierungseigenschaften der Schaltung auf und bewies, dass die erforderliche Merkmalsraumdimension quadratisch mit der Anzahl der Zielzustandsmoden skaliert, und schuf damit einen Bauplan für die Darstellung größerer Multimoden, wie z. B. 3 Moden (45 unabhängige Parameter). Um die Plattform auf die klassische Datenverarbeitung auszuweiten, bildeten die Forscher auf dem 12-modigen Ascella-Prozessor von Quandela eine nichtlineare binäre Klassifikationsaufgabe zur Unterscheidung verschränkter, ineinandergreifender zweidimensionaler Datenpunkte ab. Das Team entwarf ein hardwarebewusstes computergestütztes Simulationstrainingsframework, das in der Optimierungsschleife der Software-Ausleseschicht zufällige, probenspezifische unitäre Störungsmatrizen mit lokalen Fluktuationen in die ideale simulierte Reservoir-Matrix injizierte. Nachdem die Optimierungsschleife mit einer Störungsamplitude durchlaufen wurde, die mit dem Kompilierungsfehler des physikalischen Chips übereinstimmte, erreichte die physikalische Hardware eine experimentelle Klassifikationsgenauigkeit von etwa 79,7 % und übertraf damit ein ideales klassisches Simulationsnetzwerk, das kohärente Zustandseingaben und durchschnittliche Intensitätszählungen verarbeitete.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
