Trenowanie oddziaływań parametrycznych w analogowej bozonowej kwantowej sieci neuronowej z pomiarem w bazie Focka

Inteligentne uczenie za pomocą fal kwantowych

Współczesna sztuczna inteligencja działa dzięki sieciom neuronowym zbudowanym z tranzystorów i kodu cyfrowego. W tym badaniu badacze eksplorują, jak zupełnie inny rodzaj sprzętu, zbudowany z drobnych drgających pól elektromagnetycznych podlegających zasadom fizyki kwantowej, można nauczyć rozpoznawania wzorców w danych. Praca pokazuje, jak zaprojektować i trenować taką kwantową sieć neuronową w praktyczny sposób, aby w przyszłości mogła bezpośrednio wspierać przetwarzanie informacji w maszynach kwantowych.

Nowy rodzaj kwantowego mózgu

Autorzy koncentrują się na systemach złożonych z wzbudzeń podobnych do światła, zwanych bozonami, przechowywanych w rezonatorach mikrofalowych lub optycznych. Te rezonatory mogą wymieniać energię i tworzyć pary cząstek, gdy są wzbudzane sygnałami zewnętrznymi. Same w sobie te oddziaływania opisują równania liniowe, które zazwyczaj są zbyt proste, by realizować silne uczenie. Kluczem w tym podejściu jest utrzymanie fizycznej ewolucji jako liniowej, ale odczytywanie systemu przez zliczanie fotonów, co naturalnie wprowadza nieliniową odpowiedź. Poprzez staranny dobór sposobu wzbudzania i sprzęgania rezonatorów, urządzenie kwantowe zachowuje się jak analogowa sieć neuronowa mapująca dane wejściowe na użyteczne cechy wyjściowe.

Poleganie na klasycznym komputerze w trudnej części

Trenowanie zwykłych sieci neuronowych opiera się na wstecznej propagacji, metodzie efektywnie dostosowującej parametry, podążając za gradientami funkcji straty. Bezpośrednie zastosowanie tej idei do dużego systemu kwantowego zazwyczaj jest niemożliwe, ponieważ symulacja pełnej dynamiki szybko staje się niepraktyczna. Innowacją w tej pracy jest wykorzystanie szczególnej struktury tzw. stanów Gaussowskich, gdzie ewolucję wartości średnich i fluktuacji można zwięźle opisać. Sprzęt kwantowy wykonuje krok „do przodu”, ewoluując pola fizyczne, podczas gdy klasyczny model tej samej dynamiki Gaussowskiej, łatwy do symulacji, służy do obliczania gradientów. Ta hybrydowa strategia umożliwia trening end-to-end fizycznych sił wzbudzających i sprzężeń bez konieczności wydobywania informacji o gradientach z samego urządzenia kwantowego.

Nauka urządzenia rozpoznawania wzorców

Aby przetestować swoje podejście, badacze przeprowadzili symulacje kilku zadań uczących o rosnącym poziomie trudności. Najpierw poprosili małą sieć z dwoma rezonatorami o rozróżnienie między sygnałami sinusoidalnymi a prostokątnymi przedstawionymi jako krótkie szeregi czasowe. Mierząc tylko prawdopodobieństwo, że jeden rezonator zawiera zero fotonów po każdym wejściu, i stosując trening oparty na gradientach parametrów fizycznych, model osiąga perfekcyjną klasyfikację. W porównaniu z nietrenowaną „rezerwuarową” wersją tego samego sprzętu, która wykorzystuje wiele odczytów wyjściowych, trenowana sieć wymaga znacznie mniej mierzonych wielkości i znacznie mniej prób eksperymentalnych, by osiągnąć taką samą dokładność.

Znajdowanie najlepszej metody podawania danych

Zespół następnie bada klasyczny trudny problem, w którym punkty trzeba przypisać do jednego z dwóch przeplatanych spirali na płaszczyźnie. Zadanie to wymaga silnej nieliniowości. Używając czterech sprzężonych rezonatorów, porównali różne sposoby kodowania dwóch współrzędnych wejściowych w kontrolach fizycznych, takie jak amplituda lub faza tonów wzbudzających oraz różnych procesów sprzężenia. Stwierdzili, że osadzenie danych w sile lub fazie specjalnego oddziaływania tworzącego pary fotonów ma szczególnie silny efekt, umożliwiając perfekcyjną klasyfikację przy odczycie tylko jednego prawdopodobieństwa fotonowego. Inne sposoby kodowania wymagają wielu więcej mierzonych wyjść lub nigdy nie osiągają pełnej dokładności. Pokazuje to, że sposób zapisu danych w urządzeniu kwantowym silnie kształtuje jego efektywną nieliniowość.

Od odręcznych cyfr do przyszłych urządzeń

Na koniec autorzy zajęli się małym zadaniem rozpoznawania obrazów obejmującym odręczne cyfry reprezentowane jako siatki 8 × 8 pikseli. Przy sześciu rezonatorach i wielu procesach tworzenia par wprowadzali piksele w kilku kolejnych przedziałach czasowych, strategię podobną do wielokrotnego prezentowania tego samego obwodu kwantowego z nowymi danymi. Po wytrenowaniu kilkuset parametrów fizycznych i klasycznych model klasyfikuje nieznane cyfry z ponad 97-procentową dokładnością, mierząc jedynie umiarkowany zestaw wyników zliczania fotonów. Dla porównania, gdy ten sam sprzęt jest używany jako nietrenowany rezerwuar, wydajność osiąga znacznie niższy pułap nawet przy większej liczbie pomiarów, podkreślając korzyść z optymalizacji oddziaływań fizycznych.

Dlaczego to ma znaczenie dla technologii kwantowej

Badanie pokazuje, że sieci zbudowane z liniowo ewoluujących trybów bozonowych, połączone z nieliniowością zliczania fotonów, mogą być jednocześnie ekspresyjne i trenowalne przy użyciu znanych narzędzi gradientowych. Chociaż przedstawiona praca opiera się na symulacji klasycznej do prowadzenia treningu i w związku z tym jest ograniczona rozmiarem, podstawowe składniki dobrze pasują do istniejących platform nadprzewodnikowych i fotonicznych, które już obsługują stroikowane sprzężenia parametryczne. Otwiera to realistyczną drogę do sprzętu kwantowego, który nie tylko przetwarza informacje w sposób kwantowy, lecz także może być trenowany tak jak dzisiejsze sieci neuronowe, potencjalnie służąc jako inteligentne przednie systemy dla przyszłych czujników i procesorów kwantowych.

Cytowanie: Dudas, J., Carles, B., Gouzien, E. et al. Training the parametric interactions in an analog bosonic quantum neural network with Fock basis measurement. Sci Rep 16, 14997 (2026). https://doi.org/10.1038/s41598-026-45038-7

Słowa kluczowe: kwantowe sieci neuronowe, tryby bozonowe, dynamika Gaussowska, zliczanie fotonów, kwantowe uczenie maszynowe