Os computadores quânticos poderiam se beneficiar ao evitar o princípio da incerteza de Heisenberg
Marijan Murat/DPA/Alamy
O Princípio da Incerteza de Heisenberg impõe limites à precisão com que certas propriedades dos objetos quânticos podem ser medidas. Mas os pesquisadores podem ter encontrado uma maneira de contornar essa limitação usando versões quânticas de redes neurais.
Por exemplo, dada uma molécula quimicamente útil, como podemos prever quais propriedades ela terá dentro de uma hora ou amanhã? Para fazer tais previsões, os investigadores primeiro medem as suas propriedades atuais. Mas para objetos quânticos, incluindo algumas moléculas, isso pode tornar-se inesperadamente difícil, pois cada medição pode interferir na próxima ou alterar os resultados. Em particular, o princípio da incerteza de Heisenberg afirma que algumas propriedades quânticas de um objeto não podem ser medidas simultaneamente e com precisão. Por exemplo, se você medir muito bem o momento de uma partícula quântica, medir sua posição retornará apenas um número aproximado.
agora, Zhou Duan Lu Pesquisadores da Academia Chinesa de Ciências provaram matematicamente que o uso de uma versão quântica de redes neurais poderia potencialmente evitar alguns desses problemas.
A equipe de Zhou investigou esta questão por razões práticas. Quando os investigadores utilizam computadores quânticos, precisam de conhecer as propriedades dos blocos de construção do computador, chamados qubits, para avaliar e avaliar dispositivos ou para utilizar esses qubits de forma eficaz ao emular objetos como moléculas ou materiais. Para determinar as propriedades de um qubit, os pesquisadores normalmente aplicam algumas operações semelhantes ao método “dividir por 2” para determinar se um número é par. No entanto, o princípio da incerteza significa que algumas destas operações são incompatíveis. Isto é o mesmo que multiplicar um número por 3 e dividir por 2, mas este cálculo não pode retornar uma resposta significativa.
Os cálculos dos pesquisadores mostram que o problema de incompatibilidade pode ser resolvido aplicando algoritmos quânticos de aprendizado de máquina, ou redes neurais quânticas (QNNs), em vez de aritmética simples.
É importante ressaltar que algumas etapas desse algoritmo devem ser selecionadas aleatoriamente em um conjunto predeterminado. pesquisas anteriores Embora Zhou et al. descobriram que tal aleatoriedade permite que os QNNs determinem com mais eficiência uma única propriedade de um objeto quântico, eles estenderam essa ideia para medir múltiplas propriedades, incluindo combinações de propriedades que são normalmente restritas pelo princípio da incerteza. Eles são capazes de fazer isso porque técnicas estatísticas especiais calculam os resultados de muitas operações aleatórias consecutivas, fornecendo resultados mais precisos do que se executassem apenas uma operação repetidamente.
Robert fã A capacidade de medir eficientemente muitas propriedades incompatíveis significa que os cientistas podem aprender sobre um sistema quântico específico com muito mais rapidez, o que é importante para aplicações de computação quântica em química e ciência de materiais, bem como para a compreensão dos próprios computadores quânticos em grande escala, dizem os pesquisadores do Caltech.
A nova abordagem tem boas hipóteses de ser implementada na prática, mas o seu sucesso pode depender da sua utilidade em comparação com abordagens semelhantes que também exploram a aleatoriedade para fazer medições quânticas úteis, diz Huang.
tópico:
