تکنولوژی

یادگیری ماشینی فوتون های منفرد را برای تسریع ارتباطات کوانتومی شناسایی می کند

توسط آندری فلدمن | 31 اکتبر 2024

یادگیری ماشینی آینده ارتباطات ایمن را به وجود می آورد و فوتون های تکی را که کلید فناوری کوانتومی را در دست دارند، به سرعت شناسایی می کند.

منابع تک فوتون - اجرام فیزیکی که می توانند دقیقاً یک کوانتوم نور را در یک زمان ساطع کنند - برای پیشرفت فناوری های کوانتومی بسیار مهم هستند. با این حال، روش های سنتی برای تولید این منابع اغلب کار فشرده و زمان بر هستند و مانع از توسعه گسترده آنها می شوند.

برای ساده‌سازی این فرآیند، یک تیم تحقیقاتی از یادگیری ماشینی برای کمک به طبقه‌بندی منابع فوتون به عنوان ساطع‌کننده‌های تک یا چند فوتونی استفاده کرده‌اند. این رویکرد نوآورانه به طور چشمگیری روند طبقه بندی را در مقایسه با تکنیک های مرسوم سرعت می بخشد و راه را برای اجرای کارآمدتر منابع تک فوتون در کاربردهای مختلف هموار می کند.

Seoyoung Paik از موسسه علم و فناوری گوانگجو در ایمیلی گفت: "روشی که ما توسعه دادیم کاربردهای عملی قابل توجهی در زمینه ارتباطات کوانتومی و محاسبات کوانتومی دارد." ساطع کننده های تک فوتون اجزای کلیدی در ارتباطات کوانتومی هستند، زیرا برای انتقال امن اطلاعات از طریق فناوری هایی مانند توزیع کلید کوانتومی ضروری هستند .

با فعال کردن شناسایی سریع و دقیق ساطع کننده های تک فوتون بدون نیاز به آزمایش های دستی، روش ما می تواند توسعه سیستم های ارتباطی کوانتومی را تسریع بخشد.

پیک ادامه داد: «در محاسبات کوانتومی، ساطع‌کننده‌های تک فوتون نقش مهمی یا به‌عنوان کیوبیت یا در ایجاد درهم‌تنیدگی بین کیوبیت‌ها بازی می‌کنند. «روش ما کارایی شناسایی و مشخصه‌سازی ساطع‌کننده‌های تک فوتون را به‌ویژه در سیستم‌های حالت جامد مانند الماس و کاربید سیلیکون بسیار بهبود می‌بخشد.

توانایی طبقه‌بندی دقیق ساطع‌کننده‌های فوتون در مواد مختلف به این معنی است که روش ما می‌تواند در طیف وسیعی از سیستم‌های کوانتومی حالت جامد اعمال شود.

تشکیل و حل منابع تک فوتون

توانایی یک منبع برای تولید دقیقاً یک فوتون در یک زمان در پاسخ به یک محرک خارجی، مانند پالس لیزر، برای پیشرفت فناوری‌های کوانتومی و تضمین ارتباطات ایمن بسیار مهم است.

این به این دلیل است که حالت کوانتومی یک فوتون منفرد حاوی اطلاعات رمزگذاری شده است که بدون شناسایی قابل رهگیری نیست. این یک اصل اساسی در مکانیک کوانتومی است، که در آن اگر یک استراق سمع فوتون را رهگیری و اندازه گیری کند - یا بخواند -، عمل اندازه گیری حالت آن را تغییر می دهد و به طرفین ارتباط دهنده هشدار می دهد.

با این حال، اگر منبع چندین فوتون را در یک حالت ساطع کند، یک استراق سمع می‌تواند یکی از آنها را رهگیری کند و اطلاعات را بدون تغییر در وضعیت فوتون‌های باقی‌مانده حامل همان اطلاعات استخراج کند، و ارتباط را بدون شناسایی به خطر بیندازد.

بنابراین اطمینان از اینکه یک منبع فوتون یک فوتون منفرد را در یک زمان ساطع می کند ضروری است، اما یک چالش است. بنابراین این تیم تلاش کرد تا ابزاری برای تمایز و طبقه بندی بهتر منابع چند فوتونی و تک فوتونی ایجاد کند.

آنها به عنوان یک بستر آزمایش، الماسی را در نظر گرفتند که حاوی مراکز خالی نیتروژن است، جایی که اتم نیتروژن جایگزین اتم کربن در شبکه کریستالی الماس می شود. این مراکز منابع عالی فوتون‌های منفرد هستند زیرا الکترون‌هایی که در اطراف آنها قرار گرفته‌اند حالت‌های کوانتومی خاصی را اشغال می‌کنند و به آنها اجازه می‌دهد دقیقاً یک فوتون در پاسخ به تابش لیزر در طول موج تقریباً 500 نانومتر ساطع کنند که در چشم انسان سبز به نظر می‌رسد.

با این حال، هنگامی که این مراکز با بمباران یک نمونه الماس با یون های نیتروژن با استفاده از یک شتاب دهنده ایجاد می شوند، اغلب جاهای خالی متعددی در مجاورت یکدیگر ایجاد می شوند. با توجه به اینکه فاصله بین آنها می تواند در مقیاس اتمی باشد، میکروسکوپ نوری معمولی برای حل آنها تلاش می کند و طبقه بندی منابع را به عنوان تک فوتون یا چند فوتون دشوار می کند.

یک تکنیک پیشرفته‌تر برای طبقه‌بندی منابع فوتون معروف به آزمایش Hanbury-Brown-Twis به پر کردن این شکاف کمک کرده است. این آزمایش شامل هدایت نور ساطع شده از منبع از طریق یک تقسیم کننده پرتو است که نور را از دو مسیر جداگانه به سمت دو آشکارساز فوتون می فرستد. اگر منبع فقط یک فوتون ساطع کند، هر بار فقط یک آشکارساز فوتون را ثبت می کند. اگر منبع چند فوتون ساطع کند، هر دو آشکارساز گاهی فوتون ها را همزمان ثبت می کنند.

با تکرار چندین بار آزمایش، محققان می‌توانند نرخ تصادف را اندازه‌گیری کنند - بسامدی که هر دو آشکارساز فوتون‌ها را به طور همزمان ثبت می‌کنند. نرخ تصادف بالا نشان دهنده یک منبع چند فوتونی است، در حالی که نرخ پایین به یک تابشگر تک فوتون اشاره دارد.

در حالی که آزمایش Hanbury-Brown-Twiss بسیار قابل اعتماد است، نیاز به اجرای آزمایش بر روی هر منبع به طور مکرر دارد که آن را به یک فرآیند زمان بر در هنگام تجزیه و تحلیل صدها یا هزاران مرکز خالی نیتروژن تبدیل می کند.

استفاده از یادگیری ماشینی

برای رسیدگی به ناکارآمدی روش‌های سنتی، تیم تحقیقاتی به یادگیری ماشین روی آوردند. به‌جای انجام آزمایش‌های هانبری-براون-توئیس بر روی هر منبع فوتون منفرد در شبکه کریستالی الماس، آنها پیشنهاد کردند که از یادگیری عمیق برای طبقه‌بندی منابع فوتون بر اساس داده‌های تصویر استفاده کنند. به طور خاص، آنها الگوریتم را بر روی تصاویر تولید شده توسط نور ساطع شده از مراکز خالی نیتروژن آموزش دادند.

تیم این تصاویر را با اجازه دادن به نور ساطع شده از مراکز خالی نیتروژن برای برخورد با صفحه نمایش تولید کردند. الگوهای تصویر حاصل بسته به اینکه منبع تک فوتونی یا چند فوتونی باشد متفاوت است. با تغذیه تصاویر الگوریتم از منابعی که قبلاً با استفاده از آزمایش Hanbury-Brown-Twiss طبقه بندی شده بودند، مدل یادگیری ماشین یاد گرفت که بین دو نوع منبع بر اساس ویژگی های تصویر آنها تمایز قائل شود.

پس از آموزش، الگوریتم می تواند منابع جدید را با دقت قابل توجهی طبقه بندی کند. در آزمایشات، مدل یادگیری ماشینی به درستی نوع منبع فوتون را در 98 درصد موارد شناسایی کرد. این دقت بالا نشان می‌دهد که یادگیری ماشینی می‌تواند نیاز به آزمایش‌های تکراری Hanbury-Brown-Twiss را به میزان قابل توجهی کاهش دهد و به طور چشمگیری روند شناسایی منابع تک فوتون را سرعت بخشد.

دانشمندان نوشتند: «این اولین تلاش برای شناسایی ساطع کننده‌های تک فوتون با استفاده از یادگیری عمیق، دور زدن نیاز به آزمایش‌های [Hanbury-Brown-Twis] و بهبود قابل توجه کارایی است».

چالش ها و مسیرهای آینده

در حالی که این مطالعه نتایج امیدوارکننده ای را به همراه داشت، تیم یک محدودیت قابل توجه را تصدیق می کند: تفسیر این مدل ها اغلب دشوار است، به این معنی که محققان همیشه نمی توانند دقیقا مشخص کنند که الگوریتم چگونه به تصمیمات خود می رسد. این کدورت می تواند در هنگام تلاش برای اعمال الگوریتم برای انواع جدیدی از منابع فوتون مشکل ساز باشد.

دانشمندان در مقاله خود نوشتند: «علیرغم کاربرد موفقیت‌آمیز مدل [یادگیری ماشینی] برای طبقه‌بندی تک فرستنده، پیشرفت‌های بیشتری در درک مکانیسم‌های اساسی برای گسترش به کاربردهای گسترده‌تر مورد نیاز است».

ماهیت "جعبه سیاه" یادگیری عمیق یک چالش شناخته شده در حوزه های مختلف است. ما قصد داریم به تلاش خود برای رفع این پیچیدگی ها ادامه دهیم. درک عمیق‌تر از فرآیند تصمیم‌گیری می‌تواند ویژگی‌های کلیدی لازم برای طبقه‌بندی دقیق را آشکار کند و استحکام و سازگاری مدل را در تنظیمات مختلف افزایش دهد.

با این حال، علیرغم تمام این مشکلات، نویسندگان این مطالعه معتقدند که تکنیکی که آنها توسعه داده‌اند، کاربرد گسترده‌ای در زمینه به سرعت در حال توسعه فناوری‌های کوانتومی پیدا می‌کند و به طور قابل توجهی زمان و هزینه‌های نیروی کار تولید منابع فوتون را کاهش می‌دهد.

سانگ یون لی از موسسه علم و فناوری گوانگجو به این نتیجه رسید: "روش ما پتانسیل قابل توجهی برای کاربرد در سیستم های کوانتومی مختلف دارد." در حالی که تحقیقات کنونی ما عمدتاً بر مراکز خالی نیتروژن در الماس تمرکز دارد، این رویکرد می‌تواند برای مواد دیگر نیز اعمال شود. به عنوان مثال، می توان آن را به جای خالی سیلیکون در کاربید سیلیکون، و ساطع کننده های تک فوتون مشاهده شده در مواد دو بعدی، مانند دی کالکوژنیدهای فلزات واسطه یا نیترید بور شش ضلعی، گسترش داد.

این مواد به دلیل خواص نوری و الکترونیکی منحصربه‌فردشان برای فناوری‌های کوانتومی امیدوارکننده هستند و روش طبقه‌بندی ما می‌تواند به شناسایی موثر ساطع‌کننده‌های تک فوتون در این سیستم‌ها کمک کند.»

علاوه بر این، رویکرد یادگیری عمیق مورد استفاده توسط محققان کاربردهای بالقوه ای فراتر از این مطالعه دارد. این می تواند برای سایر سیستم های فیزیکی که در آن جداسازی و شناسایی اشیاء کوانتومی منفرد ضروری است، اعمال شود. به عنوان مثال، در میکروسکوپ تونلی روبشی - جایی که حالت‌های کوانتومی اتم‌ها یا مولکول‌ها تصویربرداری می‌شوند - می‌توان از این روش برای شناسایی و طبقه‌بندی خودکار حالت‌های کوانتومی استفاده کرد و نیاز به تجزیه و تحلیل دستی را به میزان قابل توجهی کاهش داد.

این تکنیک برای هر سیستمی که به تمایز حالت‌های کوانتومی اتم‌ها یا مولکول‌ها نیاز دارد، نویدبخش است.

https://www.advancedsciencenews.com/machine-learning-spots-single-photons-to-accelerate-quantum-communication/