Träna de parametriska interaktionerna i ett analogt bosoniskt kvantneuronätverk med Fock-basmätning

Smart inlärning med kvantvågor

Modern artificiell intelligens bygger på neuronnätverk gjorda av transistorer och digital kod. Denna studie undersöker hur en helt annan typ av hårdvara, uppbyggd av små vibrerande elektromagnetiska fält som följer kvantfysikens lagar, kan tränas för att känna igen mönster i data. Arbetet visar hur man praktiskt kan designa och träna ett sådant kvantneuronätverk så att det i framtiden kan hjälpa till att bearbeta information direkt inne i kvantmaskiner.

En ny sorts kvant-hjärna

Författarna fokuserar på system bestående av ljusliknande excitationer, kallade bosoner, lagrade i mikrovågs- eller optiska resonatorer. Dessa resonatorer kan utbyta energi och skapa partikelpar när de drivs av externa signaler. I sig beskrivs dessa interaktioner av linjära ekvationer, vilka vanligtvis är för enkla för kraftfull inlärning. Den viktiga idén här är att hålla den fysiska utvecklingen linjär men läsa ut systemet med fotonräkning, vilket naturligt ger icke-linjära svar. Genom att noggrant välja hur resonatorerna drivs och kopplas samman beter sig kvantenheten som ett analogt neuronnätverk som avbildar indata till användbara utdatafunktioner.

Låt en klassisk dator sköta det svåra

Träning av vanliga neuronnät bygger på backpropagation, en metod som effektivt justerar parametrar genom att följa förlustrummets gradienter. Att tillämpa detta direkt på ett stort kvantsystem är oftast omöjligt, eftersom simulering av dess fulla dynamik snabbt blir ogenomförbar. Innovationen i detta arbete är att utnyttja den speciella strukturen hos så kallade Gaussiska tillstånd, där utvecklingen av medelvärden och fluktuationer kan beskrivas kompakt. Kvant-hårdvaran skulle utföra framåtriktad steget genom att utveckla de fysiska fälten, medan en klassisk modell av samma Gaussiska dynamik, som är lätt att simulera, används för att beräkna gradienter. Denna hybridstrategi möjliggör end-to-end-träning av de fysiska drivstyrkorna och kopplingarna utan att behöva extrahera gradientinformation från själva kvantenheten.

Lära enheten att känna igen mönster

För att testa sin metod simulerar forskarna flera inlärningsuppgifter med ökande svårighetsgrad. Först ber de ett litet två-resonatorsnät att skilja mellan sinus- och fyrkantsvågssignaler presenterade som korta tidsserier. Genom att mäta endast sannolikheten att en resonator innehåller noll fotoner efter varje indata, och använda gradientbaserad träning på de fysiska parametrarna, når modellen perfekt klassificering. Jämfört med en otränad ”reservoir”-variant av samma hårdvara, som använder många utläsningar, kräver det tränade nätverket mycket färre mätvärden och betydligt färre experimentella körningar för att nå samma noggrannhet.

Hitta bästa sättet att mata in data

Teamet studerar sedan ett klassiskt svårt problem där punkter ska tilldelas en av två intrasslade spiraler i planet. Denna uppgift kräver stark icke-linjäritet. Med fyra kopplade resonatorer jämför de flera sätt att koda de två ingångskoordinaterna i de fysiska styrparametrarna, såsom amplitud eller fas hos drivtonerna och hos olika kopplingsprocesser. De finner att inbäddning av data i styrkan eller fasen hos en särskild interaktion som skapar fotonpar har en särskilt stark effekt, vilket möjliggör perfekt klassificering medan man bara läser ut en fotonsannolikhet. Andra kodningsval kräver många fler mätningar eller når aldrig full noggrannhet. Detta visar att hur data skrivs in i kvantenheten starkt formar dess effektiva icke-linjäritet.

Från handskrivna siffror till framtida enheter

Slutligen tar författarna sig an en liten bildigenkänningsuppgift med handskrivna siffror representerade som 8 × 8 pixlar. Med sex resonatorer och flera parbildningsprocesser matar de in pixlarna över flera tidsklyvningar, en strategi liknande att upprepade gånger presentera samma kvantkrets med ny data. Efter att ha tränat några hundra fysiska och klassiska parametrar klassificerar modellen osett data med över 97 procents noggrannhet medan den mäter endast en måttlig uppsättning fotonräkningsutfall. Däremot, när samma hårdvara används som ett otränat reservoir, planar prestationen ut mycket lägre även med fler mätningar, vilket understryker nyttan av att optimera de fysiska interaktionerna.

Varför detta är viktigt för kvantteknik

Studien visar att nätverk byggda av linjärt evolverande bosoniska lägen, kombinerade med icke-linjär fotonräkning, kan vara både uttrycksfulla och träningsbara med välkända gradientverktyg. Medan detta arbete förlitar sig på klassisk simulering för att vägleda träningen och därför är begränsat i storlek, stämmer de underliggande ingredienserna väl överens med befintliga supraledande och fotoniska plattformar som redan stödjer ställbara parametriska kopplingar. Detta öppnar en realistisk väg mot kvant-hårdvara som inte bara bearbetar information på ett kvantmässigt sätt utan också kan tränas likt dagens neuronnät, och potentiellt tjänstgöra som intelligenta frontändar för framtida kvantsensorer och processorer.

Citering: 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

Nyckelord: kvantneuronätverk, bosoniska lägen, Gaussisk dynamik, fotonräkning, kvantmaskininlärning