Vědci matematicky prokázali, že kvantové neuronové sítě (QNN) mají potenciál obejít omezení uložená Heisenbergovým principem nejistoty, základním kamenem kvantové mechaniky. Tento průlom naznačuje schopnost měřit mnoho vlastností kvantových systémů s větší přesností, než se dříve považovalo za možné, což má zásadní důsledky pro kvantové výpočty a vědu o materiálech.
Problém: Kvantová dimenze a nejistota
Heisenbergův princip neurčitosti říká, že určité dvojice fyzikálních vlastností, jako je poloha a hybnost, nelze současně s absolutní přesností znát. Přesnější měření jedné vlastnosti nevyhnutelně snižuje přesnost určení jiné. To představuje významnou překážku pro charakterizaci kvantových systémů, včetně qubitů používaných v kvantových počítačích.
Tradičně výzkumníci hodnotí vlastnosti qubitů pomocí řady operací – podobných matematickým testům, jako je dělení čísla dvěma pro kontrolu parity. Princip neurčitosti však činí některé kombinace operací nekompatibilními. Pokusit se o ně je jako vynásobit třemi a pak vydělit dvěma, aniž byste ztratili jakoukoli smysluplnou informaci.
Kvantové neuronové sítě jako řešení
Studie vedená Duanlu Zhou z Čínské akademie věd naznačuje, že QNN by tuto nekompatibilitu mohly vyřešit. Začleněním náhodných operací z předdefinované sady do algoritmu mohou QNN současně měřit mnoho vlastností, dokonce i těch, které jsou omezeny principem neurčitosti.
To je možné, protože výsledky vícenásobných náhodných operací lze statisticky analyzovat a získat tak přesnější výsledky než opakované jednotlivé operace. V podstatě náhodnost umožňuje CNS „prozkoumat“ systém způsoby, které se vyhýbají přímému porušení principu neurčitosti, a přitom extrahovat co nejvíce informací.
Důsledky pro kvantové výpočty a vědu o materiálech
Robert Huang z California Institute of Technology zdůrazňuje, že efektivní měření různorodých vlastností urychluje naši schopnost učit se o kvantových systémech. To je zásadní jak pro testování kvantových počítačů, tak pro simulaci složitých systémů, jako jsou molekuly a materiály. Čím rychleji a přesněji dokážeme charakterizovat qubity, tím výkonnější a spolehlivější kvantové počítače budou.
Praktická proveditelnost tohoto přístupu ve scénářích reálného světa musí být plně otestována. Huang poznamenává, že jeho účinnost bude záviset na tom, jak se bude srovnávat s existujícími metodami, které také využívají náhodnost v kvantových měřeních. Teoretický základ je však pevný a otevírá slibnou cestu k překonání zásadních omezení v kvantových měřeních.
Tento výzkum nakonec naznačuje, že pečlivě navržené algoritmy kvantového strojového učení mohou odemknout hlubší vhled do chování kvantových systémů a urychlit pokrok v oblastech od chemie po vývoj pokročilých materiálů.
