Onderzoekers hebben wiskundig aangetoond dat kwantumneurale netwerken (QNN’s) mogelijk de beperkingen kunnen omzeilen die worden opgelegd door het onzekerheidsprincipe van Heisenberg, een hoeksteen van de kwantummechanica. Deze doorbraak suggereert een manier om meerdere eigenschappen van kwantumsystemen met grotere precisie te meten dan eerder voor mogelijk werd gehouden, wat grote gevolgen heeft voor kwantumcomputers en materiaalkunde.
De uitdaging: kwantummeting en onzekerheid
Het onzekerheidsprincipe van Heisenberg dicteert dat bepaalde paren fysieke eigenschappen, zoals positie en momentum, niet tegelijkertijd met absolute nauwkeurigheid bekend kunnen zijn. Het nauwkeuriger meten van de ene eigenschap vermindert inherent de nauwkeurigheid waarmee de andere kan worden bepaald. Dit vormt een aanzienlijke hindernis bij het karakteriseren van kwantumsystemen, inclusief de qubits die in kwantumcomputers worden gebruikt.
Traditioneel beoordelen onderzoekers qubit-eigenschappen door een reeks bewerkingen toe te passen, vergelijkbaar met wiskundige tests zoals het delen van een getal door twee om te controleren op gelijkmatigheid. Het onzekerheidsbeginsel maakt sommige combinaties van operaties echter onverenigbaar. Als je ze probeert, is dat hetzelfde als proberen te vermenigvuldigen met drie en vervolgens door twee te delen, zonder betekenisvolle informatie te verliezen.
Kwantumneurale netwerken als oplossing
De studie, geleid door Duanlu Zhou van de Chinese Academie van Wetenschappen, stelt voor dat QNN’s deze incompatibiliteit kunnen oplossen. Door willekeurige bewerkingen uit een vooraf gedefinieerde set in het algoritme op te nemen, kunnen de QNN’s meerdere eigenschappen tegelijk meten, zelfs als deze worden beperkt door het onzekerheidsprincipe.
Dit is mogelijk omdat de resultaten van talloze willekeurige operaties statistisch kunnen worden geanalyseerd om nauwkeurigere resultaten te onthullen dan alleen herhaalde afzonderlijke operaties. In wezen stelt de willekeur het QNN in staat het systeem te ‘onderzoeken’ op een manier die directe schending van het onzekerheidsprincipe vermijdt en toch maximale informatie eruit haalt.
Implicaties voor kwantumcomputers en materiaalkunde
Robert Huang van het California Institute of Technology benadrukt dat het efficiënt meten van incompatibele eigenschappen ons vermogen om meer te leren over kwantumsystemen versnelt. Dit is van cruciaal belang voor zowel het benchmarken van kwantumcomputers als het simuleren van complexe systemen zoals moleculen en materialen. Hoe sneller en nauwkeuriger we qubits kunnen karakteriseren, hoe krachtiger en betrouwbaarder kwantumcomputers zullen worden.
De haalbaarheid van deze aanpak in reële scenario’s moet nog volledig worden getest. Huang merkt op dat de effectiviteit ervan zal afhangen van hoe het zich verhoudt tot bestaande methoden die ook gebruik maken van willekeur in kwantummetingen. Het theoretische raamwerk is echter solide en opent een veelbelovende weg naar het overwinnen van fundamentele beperkingen in kwantummetingen.
Uiteindelijk suggereert dit onderzoek dat zorgvuldig ontworpen kwantummachine learning-algoritmen diepere inzichten in het gedrag van kwantumsystemen zouden kunnen ontsluiten, waardoor de vooruitgang op diverse gebieden, van chemie tot geavanceerde materiaalontwikkeling, zou kunnen worden versneld.
