Физики применили методы машинного обучения для настройки и характеризации оптической квантовой системы. Им удалось быстро и точно восстановить поляризационное состояние фотона, которое они превращали в пространственное для простоты измерения.

Работа опубликована в Physical Review Letters.

Машинное обучение по-разному внедряется в квантовые технологии. Так, существуют гибридные квантовые алгоритмы, которые используют классические алгоритмы машинного обучения для решения квантовых задач — мы подробно писали о них в материале «Разминка для кубита». Иногда такие алгоритмы даже называют квантовым машинным обучением.

С другой стороны, нейросети могут успешно помогать экспериментаторам. Особенно в тех случаях, когда нужно настраивать сложную систему, не вникая в то, как она работает, а смотря только на конечный результат.

Например, физики используют алгоритмы машинного обучения для проведения квантовой томографии — то есть характеристики квантового состояния, которая очень важна в фотонных вычислениях. Или для подбора оптимальных параметров создания конденсата Бозе—Эйнштейна в атомных вычислениях, как сделали ученые тут.

Физики под руководством Мауро Патерностро (Mauro Paternostro) из Университета Палермо и Государственного университета в Белфасте реализовали протокол экстремального машинного обучения на фотонной платформе для достижения эффективного и точного описания состояния поляризации фотона.