Résumé - Cadre de Phase pour les Réseaux Neuraux Optiques Quantiques à Échelle Intermédiaire Bruyants

Cadre de Phase pour les Réseaux Neuraux Optiques Quantiques à Échelle Intermédiaire Bruyants

2025-07-10 12:07:02

{"Stanisław Świerczewski","Wouter Verstraelen","Piotr Deuar","Barbara Piętka","Timothy C. H. Liew","Michał Matuszewski","Andrzej Opala"}

{quant-ph,cond-mat.dis-nn,cond-mat.quant-gas}

L'article présente un cadre de phase pour simuler des réseaux neuronaux quantiques optiques à échelle intermédiaire bruyants (QONN), qui sont des systèmes quantiques qui exploitent à la fois l'optique classique et l'optique quantique pour traiter des informations au-delà des limites classiques. Le principal défi de la simulation de lattices bosoniques à grande échelle dans les QONN est la croissance exponentielle de l'espace d'Hilbert nécessaire pour décrire précisément le réseau quantique, ce qui entraîne des goulets d'étranglement computationnels. Les auteurs proposent d'utiliser la méthode Positive-P (PPM), une approche stochastique de phase, pour simuler efficacement des systèmes quantiques bosoniques à grande échelle. La PPM a été appliquée avec succès dans divers plateformes physiques, y compris l'optique quantique, les condensats de Bose-Einstein et les bosons de Schwinger, et peut gérer jusqu'à des dizaines et des centaines de milliers de nœuds. L'article démontre les performances des réservoirs photoniques à grande échelle dans des tâches telles que la classification d'états quantiques (QSC) et la prédiction des caractéristiques d'états quantiques (QFP). Les auteurs identifient une limitation clé des performances des réservoirs quantiques à grande échelle, qui se manifeste lorsque l'information quantique d'entrée est dispersée sur trop de nœuds de réservoir, réduisant la non-linéarité efficace et dégradant l'efficacité computationnelle. L'étude montre que la performance d'un réservoir quantique à grande échelle ne s'améliore pas monotonalement avec le nombre de modes bosoniques, mais suit une dépendance complexe déterminée par l'interaction de la non-linéarité, de la taille du réservoir et de la occupation moyenne du mode d'entrée. Ces découvertes sont essentielles pour la conception et l'optimisation des réservoirs photoniques bosoniques pour les futurs appareils de computation neuronale quantique. Les auteurs discutent également des limitations de la PPM, telles que la potentiel instabilité dans les systèmes fermés et les défis de l'initialisation des états quantiques d'entrée dans l'espace de phase. Cependant, ils arguent que la PPM reste adaptée à la simulation de grandes échelles de champs quantiques et d'applications telles que les réseaux neuronaux optiques quantiques, où la scalabilité et la fidélité sont primordiales. Dans l'ensemble, l'article présente un cadre scalable pour simuler les QONN en utilisant la PPM et fournit des informations précieuses sur les performances des réservoirs bosoniques à grande échelle dans des tâches de machine learning quantique.