Квантовые автоэнкодеры очистили данные от шума
Немецкие физики разработали автоэнкодер для очистки квантовых данных от шума. Используя построенную нейросеть, ученые успешно продемонстрировали очищение малокубитного сильнозапутанного состояния. Работа опубликована в журнале Physical Review Letters.
Машинное обучение — это мощный инструмент работы с данными, особенно когда данных становится много. Некоторые метод машинного обучения позволяют выявить важные закономерности в данных. Одним из популярных методов являются нейросети автоэнкодеры. Например, они использовались для выделения пения птиц в лесу.
В то же время квантовые вычисления, оперирующие хрупкими запутанными квантовыми состояниями, могут превзойти классические вычисления в ряде задач, таких как моделирование физических систем или факторизации огромных чисел. Больше про возможности квантовых вычислений читайте в нашем материале «Квантовая азбука». Однако, сегодняшние квантовые компьютеры довольно шумные, и этот шум портит запутанность, что ведет к сильному понижению эффективности квантовых устройств. Одним из перспективных решений является применения методов машинного обучения к квантовым вычислениям с целью очищения квантовых данных от шума. Более подробно про это рассказано в мини-лекции физика Сергея Филиппова на ПостНауке:
Физики Дмитро Бондаренко (Dmytro Bondarenko) и Полина Фельдман (Polina Feldmann) из Университета Лейбница предложили применять автоэнкодеры к сильнозапутнным квантовым состояниям для того, чтобы сохранить запутанность даже при высоком уровне шума. Для этого ученые предложили сопоставить каждому кубиту нейрон в автоэнкодоре с прямой связью, архитектура которого позволяет выявить вклад шума в квантовое состояние кубитов.
В качестве примера физики рассмотрели четырехкубитное запутанное состояния Гринберга-Хорна-Цайлингера, которое определяется как суперпозиция состояний «все кубиты 0» и «все кубиты 1». Это состояние важно в квантовых вычислениях и метрологии, чья эффективность зависит от качества запутанности. В роли модели шума ученые рассматривали два процесса: случайный переброс кубитов из нуля в единицу и наоборот и применение случайного унитарного преобразования ко всем кубитам. В результате физики обнаружили, что при правильном подборе архитектуры автоэнкодера возможно избавиться от этих ошибок, при условии, что ошибки малы. К счастью, в современных квантовых компьютерах это условие выполняется хорошо.
Для обучения автоэнкодера ученые использовали 200 пар специально зашумленных квантовых состояний и применяли метод градиентного спуска. Помимо состояний Гринберга-Хорна-Цайлингера физики рассмотрели и другие запутанные состояния, такие как W-состояния. Нейросеть эффективно избавлялась от шума и в этом случае.
Однако, более крупные запутанные состояния потребуют более глубоких сетей. Число квантовых операций, необходимых для одного автоэнкодера, растет экспоненциально с количеством кубитов. Ученые пишут, что экспоненциального масштабирования можно избежать, например, используя разряженные нейросети. Ранее мы писали о другой архитектуре квантовой нейросети, которая позволяет сильно сократить число кубитов.
Михаил Перельштейн
А также измерит расстояние до них
Американские ученые разработали технологию пассивного теплового зрения HADAR, которая по инфракрасному изображению получает информацию о температуре, материалах и текстуре поверхности объектов, их излучательной способности, а также умеет измерять расстояние. Технология позволяет в ночных условиях получать изображение, сопоставимое по качеству со стереоскопическими изображениями, получаемыми обычными RGB камерами при дневном освещении. Статья опубликована в журнале Nature. Для автономной навигации и взаимодействия с людьми роботам и беспилотникам нужна информация об окружении, которую они получают с помощью камер, лидаров, сонаров или радаров. Однако обычные камеры зависят от условий освещенности и плохо работают в ночное время и при плохой погоде. Кроме этого информация, получаемая с камер не содержит физического контекста, что может приводить к некорректной работе нейросетевых алгоритмов автопилота, который, к примеру, не может отличить настоящего человека от манекена. Активные сенсоры, такие как лидары и радары, при резком росте их числа начинают взаимно влиять друг на друга. Выходом могло бы стать использование в условиях недостаточной видимости камер, работающих в инфракрасном диапазоне. Однако из-за так называемого «эффекта призрачности» получаемые тепловизором изображения обычно выглядят как пятна без четкой текстуры. Это связано с тем, что поверх отражающихся от объекта инфракрасных лучей, которые несут информацию об особенностях его рельефа, накладывается его собственное тепловое излучение, которое засвечивает эту полезную информацию. Группа ученых под руководством Зубин Джакоб (Zubin Jacob) из Университета Пердью смогла справиться с этой проблемой. Они разработали технологию под названием HADAR (акроним от слов heat-assisted detection and ranging), которая с помощью машинного обучения извлекает из изображений, полученных в инфракрасном диапазоне, информацию о температуре объектов, излучательной способности материалов, из которых они состоят, а также их физической текстуре. Кроме того, технология позволяет определять расстояние до объектов на изображении. Выделение информации о собственном излучении объектов позволяет избавиться от «эффекта призрачности» и получить информацию о текстуре. Для этого авторы используют данные из библиотеки материалов, которая содержит информацию об их излучательной способности. Инфракрасное изображение фиксируется с помощью гиперспектральной камеры, после чего данные поступают на вход нейросетевой модели, которая производит декомпозицию исходных данных, выделяя из них информацию о температуре, собственном излучении и текстуре. Для обучения алгоритма исследователи использовали как настоящие изображения, полученные с помощью камеры, так и множество сгенерированных трехмерных сцен. Возможности технологии демонстрирует одна из сцен, на которой при слабом освещении запечатлен автомобиль черного цвета и человек, рядом с которым установлен вырезанный из картона портрет Альберта Эйнштейна в натуральную величину. Изображения, полученные с помощью обычной камеры, лидара и HADAR затем использовали для определения объектов с помощью алгоритма распознавания изображений. На изображении, полученном с помощью обычной камеры, алгоритм ошибочно распознал двух людей, приняв картонную фигуру за человека. На данных, полученных лидаром, оказалось невозможно определить автомобиль. При этом HADAR смог выделить все составляющие сцены, а также определить, что одна из человеческих фигур имеет сигнатуру краски на поверхности, а вторая покрыта тканью. Созданная технология может значительно улучшить системы автономной навигации беспилотных транспортных средств и роботов, дополнив уже существующие системы или даже заменив их. HADAR позволяет определять объекты и измерять расстояние по данным, полученным в ночное время, так же хорошо, как это делают традиционные системы компьютерного зрения, которые используют данные с камер в условиях дневного освещения. По словам авторов работы, в дальнейшем им предстоит решить проблему высокой стоимости оборудования для гиперспектральной съемки и невысокой производительности алгоритма. Сейчас процесс получения изображений и их обработки занимает минуты, но для работы в режиме реального времени это время необходимо сократить. Ранее мы рассказывали, как физики создали лидар, способный распознать метровые детали с рекордного расстояния в 45 километров в условиях высокого шума и слабого сигнала.
