Des chercheurs ont démontré mathématiquement qu'un réseau neuronal quantique pourrait aider à mesurer des propriétés d'objets quantiques difficiles d'accès, contournant potentiellement le principe d'incertitude de Heisenberg. En injectant de l'aléatoire dans le réseau, les scientifiques pourraient déterminer plusieurs propriétés incompatibles plus précisément. Cette approche pourrait accélérer les applications en informatique quantique et en chimie.
Le principe d'incertitude de Heisenberg limite la précision avec laquelle certaines propriétés quantiques, comme la position et la quantité de mouvement, peuvent être mesurées simultanément. Pour les objets quantiques tels que les molécules ou les qubits dans les ordinateurs quantiques, cela rend les prédictions et les évaluations difficiles, car les mesures peuvent interférer les unes avec les autres. Duanlu Zhou, de l'Académie chinoise des sciences, et ses collègues ont prouvé mathématiquement qu'un réseau neuronal quantique (QNN) pourrait surmonter ces problèmes. Les opérations traditionnelles sur les qubits sont souvent incompatibles en raison du principe d'incertitude, similaire à l'exécution de calculs contradictoires sur un nombre. Cependant, un QNN avec des étapes choisies au hasard dans un ensemble peut résoudre cette incompatibilité. Des travaux antérieurs ont montré que l'aléatoire aide les QNN à mesurer efficacement des propriétés uniques. L'équipe de Zhou a étendu cela à plusieurs propriétés, y compris celles contraintes par le principe d'incertitude. En appliquant des opérations aléatoires consécutives et en analysant les résultats par des méthodes statistiques, l'approche donne des résultats plus précis que des opérations uniques répétées. Cela est particulièrement utile pour les ordinateurs quantiques, où la compréhension des propriétés des qubits est essentielle pour évaluer les appareils ou simuler des molécules et des matériaux. Robert Huang, du California Institute of Technology, note que mesurer efficacement de nombreuses propriétés incompatibles permettrait aux scientifiques d'apprendre beaucoup plus rapidement sur les systèmes quantiques, favorisant les applications en chimie et en science des matériaux, ainsi que l'agrandissement des ordinateurs quantiques. La méthode semble plausible pour une mise en œuvre pratique, bien que son succès dépende de sa supériorité sur d'autres techniques de mesure quantique basées sur l'aléatoire. Les résultats paraissent dans Physical Review B (DOI: 10.1103/qz9c-m3z4).