量子ニューラルネットワークは不確定性原理を欺くことができるかもしれない

の ハイゼンベルグの不確定性原理 これは、量子物体の特定の特性をどの程度正確に測定できるかに制限を設けます。しかし、研究者らは量子バージョンのニューラル ネットワークを使用してこの制限を回避する方法を見つけたかもしれません。

たとえば、化学的に有用な分子があるとすると、それが 1 時間後または明日にどのような特性を持つかをどうやって予測できるでしょうか?このような予測を行うために、研究者はまずその現在の特性を測定します。しかし、一部の分子を含む量子オブジェクトの場合、各測定が次の測定に干渉したり、結果が変化したりする可能性があるため、これは予想外に困難になる可能性があります。特に、ハイゼンベルクの不確定性原理は、物体の一部の量子特性は同時に正確に測定できないと述べています。たとえば、量子粒子の運動量を非常によく測定した場合、その位置を測定してもおおよその数値しか返されません。

今、 周ドゥアンルー 中国科学院の研究者らは、次のことを数学的に証明しました。 ニューラルネットワークの量子バージョン これらの問題の一部を回避できるかもしれません。

周氏のチームは実際的な理由からこの問題を調査した。研究者が量子コンピューターを実行する場合、デバイスを評価してベンチマークするため、あるいはデバイスを評価する際にそれらの量子ビットを効果的に使用するために、量子ビットと呼ばれるコンピューターの構成要素の特性を知る必要があります。 オブジェクトをエミュレートする 分子や物質のようなもの。量子ビットの特性を判断するために、研究者は通常、数値が偶数かどうかを判断するために「2 で割る」方法と同様のいくつかの演算を適用します。しかし、不確定性原理は、これらの演算の一部が互換性がないことを意味します。これは、数値を 3 で乗算して 2 で割っても、この計算で意味のある答えを返すことができないのと同じです。

今回の研究者らの計算では、単純な演算の代わりに量子機械学習アルゴリズム、つまり量子ニューラルネットワーク（QNN）を適用すれば、非互換性の問題を解決できることが示された。

重要なのは、そのアルゴリズムの一部のステップは、あらかじめ決められたセットからランダムに選択する必要があるということです。 過去の研究 そのようなことを発見しました ランダム性 QNN は量子オブジェクトの単一の特性をより効率的に決定できるようになりますが、Zhou と彼の同僚は、このアイデアを、通常は不確定性原理によって制約される特性の組み合わせを含む、複数の特性の測定に拡張しました。彼らがこれを行うことができるのは、多くの連続したランダムな操作の結果を特別な統計手法で解明し、1 つの操作だけを繰り返し実行する場合よりも正確な結果を得ることができるためです。

ロバート・ファン カリフォルニア工科大学の研究者らは、多くの相容れない特性を効率的に測定できるということは、科学者が特定の量子システムについてはるかに早く学習できることを意味し、これは化学や材料科学における量子コンピューターの応用にとって、また理解にとって重要であると述べている。 ますます大型化する量子コンピューター 彼ら自身。

新しいアプローチは実際に実装できる可能性が高いが、それが成功するかどうかは、同じくランダム性を活用して有益な量子測定を行う同様のアプローチと比較して、それがどの程度有用であるかによって決まる可能性がある、とフアン氏は言う。