Kwantumnetwerken onthullen zwermintelligentie – een spectrum van wetenschap

De invoer bestaat uit twee bits die gedurende een bepaalde tijd met de QRN interageren, zodat informatie over de invoer in de QRN-status wordt ingevoerd. Door QRN-knooppunten te lezen en het resultaat te verwerken met behulp van een getrainde uitvoerlaag, kunnen wetenschappers de invoerstatus (tomografie) volledig reconstrueren of detecteren of de ingevoerde kwantumeenheden verstrengeld zijn. “Ervan uitgaande dat de som van de trainingsruns in beide omstandigheden hetzelfde is, laten we zien dat de collectieve score van de zwerm de invoerstatussen beter inschat dan de expert”, zeggen de auteurs. Deze conclusie geldt ook voor de verstrengelingsdetectietaak.

Om experts en groepen met elkaar te kunnen vergelijken, dicteerden dezelfde wetenschappers dat het totaal aantal trainingsruns voor beide systemen gelijk moest zijn. Als men deze beperking echter versoepelt, schrijven ze, biedt zelfs een grotere zwerm de mogelijkheid om het foutenpercentage willekeurig laag te maken. Dit is op zijn beurt een voorwaarde om machine learning betrouwbaar te kunnen gebruiken in real-world toepassingen. “We veronderstellen dat onze resultaten kunnen worden gegeneraliseerd naar veel modelkwantumstructuren en taken voor het leren van kwantummachines.”