Forskare har matematiskt visat att ett kvantneuralnätverk kan hjälpa till att mäta svåråtkomliga egenskaper hos kvantobjekt och potentiellt lura Heisenbergs osäkerhetsprincip. Genom att injicera slump i nätverket kan forskare bestämma flera oförenliga egenskaper mer exakt. Detta tillvägagångssätt kan påskynda tillämpningar inom kvantdatorer och kemi.
Heisenbergs osäkerhetsprincip begränsar hur exakt vissa kvantegenskaper, som position och rörelsemängd, kan mätas samtidigt. För kvantobjekt som molekyler eller qubits i kvantdatorer gör detta förutsägelser och bedömningar utmanande, eftersom mätningar kan störa varandra. Duanlu Zhou vid Chinese Academy of Sciences och hans kollegor har matematiskt bevisat att ett kvantneuralnätverk (QNN) kan övervinna dessa problem. Traditionella operationer på qubits är ofta oförenliga på grund av osäkerhetsprincipen, liknande att utföra motstridiga beräkningar på ett tal. Ett QNN med slumpmässigt valda steg från en uppsättning kan dock lösa denna oförenlighet. Tidigare arbete visade att slump hjälper QNN att mäta enskilda egenskaper effektivt. Zhous team utvidgade detta till flera egenskaper, inklusive de som begränsas av osäkerhetsprincipen. Genom att tillämpa konsekutiva slumpmässiga operationer och reda ut resultaten med statistiska metoder ger tillvägagångssättet mer exakta resultat än upprepade enskilda operationer. Detta är särskilt användbart för kvantdatorer, där förståelse av qubit-egenskaper är essentiell för att benchmarka enheter eller emulera molekyler och material. Robert Huang vid California Institute of Technology noterar att effektiv mätning av många oförenliga egenskaper skulle låta forskare lära sig om kvantsystem mycket snabbare, vilket underlättar tillämpningar inom kemi och materialvetenskap samt skalning av kvantdatorer. Metoden verkar plausibel för praktisk implementering, även om dess framgång kan bero på att överträffa andra slumpbaserade kvantmätningstekniker. Resultaten publiceras i Physical Review B (DOI: 10.1103/qz9c-m3z4).