Hesaplamalar, bir kuantum sinir ağına rastgelelik enjekte etmenin, normalde erişilmesi zor olan kuantum nesnelerinin özelliklerini belirlemeye yardımcı olabileceğini gösteriyor
Kuantum bilgisayarları Heisenberg’in belirsizlik ilkesi etrafındaki yoldan yararlanabilir
Heisenberg’in belirsizlik ilkesi, kuantum nesnelerinin belirli özelliklerini ne kadar hassas bir şekilde ölçebileceğimize bir sınır koyuyor. Ancak araştırmacılar, sinir ağının kuantum versiyonunu kullanarak bu sınırlamayı aşmanın bir yolunu bulmuş olabilirler.
Örneğin kimyasal olarak yararlı bir molekül verildiğinde, onun bir saat içinde veya yarın hangi özelliklere sahip olabileceğini nasıl tahmin edebilirsiniz? Bu tür tahminlerde bulunmak için araştırmacılar, maddenin mevcut özelliklerini ölçerek işe başlıyor. Ancak bazı moleküller de dahil olmak üzere kuantum nesneler için bu beklenmedik derecede zor olabilir çünkü her ölçüm bir sonraki ölçümü etkileyebilir veya sonucunu değiştirebilir. Heisenberg’in belirsizlik ilkesi, nesnelerin bazı kuantum özelliklerinin aynı anda tam olarak ölçülemediğini belirtmektedir. Örneğin, bir kuantum parçacığının momentumunu son derece iyi ölçerseniz, konumunu ölçmek yalnızca yaklaşık bir sayı verecektir.
Çin Bilim Akademisi’nden Duanlu Zhou ve meslektaşları, sinir ağının kuantum versiyonlarını kullanmanın bu zorlukların bazılarını önleyebileceğini matematiksel olarak kanıtladılar.
Zhou’nun ekibi sorunu pratik nedenlerden dolayı araştırdı. Araştırmacılar kuantum bilgisayarları çalıştırdıklarında, cihazı değerlendirmek ve kıyaslamak için ya da bir molekül veya malzeme gibi bir nesneyi taklit ederken bu kübitleri etkili bir şekilde kullanmak için bilgisayarın kübit adı verilen yapı taşlarının özelliklerini bilmeleri gerekir. Bir kübitin özelliklerini belirlemek için araştırmacılar genellikle bir sayının çift olup olmadığını belirlemek için “2’ye bölme” yöntemine benzer bazı işlemler uygular. Ancak belirsizlik ilkesi, bu işlemlerden bazılarının uyumsuz olacağı anlamına gelir; bu, bir sayıyı üçle çarpıp ikiye bölememek ve yine de bu hesaplamanın anlamlı bir cevap vermesini sağlayamamak anlamına gelir.
Araştırmacıların hesaplamaları artık, daha basit işlemler yerine bir kuantum makine öğrenme algoritmasının (kuantum sinir ağı (QNN)) uygulanması durumunda uyumsuzluk sorununun çözülebileceğini gösteriyor.
Daha da önemlisi, bu algoritmadaki bazı adımların önceden belirlenmiş bir kümeden rastgele seçilmesi gerekir. Geçmiş çalışmalar, bu tür rastgeleliğin, QNN’leri bir kuantum nesnesinin tek bir özelliğini belirlemede daha etkili hale getirebileceğini buldu, ancak Zhou ve meslektaşları, normalde belirsizlik ilkesiyle sınırlanan özelliklerin kombinasyonları da dahil olmak üzere çeşitli özellikleri ölçmek için bu fikri genişletti. Bunu yapabildiler çünkü birçok ardışık, rastgele işlemin sonuçları, tek bir işlemin tekrar tekrar gerçekleştirilmesine kıyasla daha kesin sonuçlar verecek şekilde özel istatistiksel yöntemlerle çözülebilir.
Kaliforniya Teknoloji Enstitüsü’nden Robert Huang, pek çok uyumsuz özelliği verimli bir şekilde ölçebilmenin, bilim adamlarının belirli bir kuantum sistemi hakkında çok daha hızlı bilgi edinebilecekleri anlamına geldiğini söylüyor; bu, kuantum bilgisayarların kimya ve malzeme bilimindeki uygulamaları için ve ayrıca daha büyük kuantum bilgisayarların kendilerini anlamak için önemli.
Huang, yeni yaklaşımın pratikte makul bir şekilde uygulanabileceğini, ancak başarılı olup olmayacağının, bilgilendirici kuantum ölçümleri yapmak için rastgeleliği de kullanan benzer yaklaşımlarla karşılaştırıldığında ne kadar yararlı olduğuna bağlı olabileceğini söylüyor.
