Dissertação
Machine Learning for Quantum Phase Estimation EVALUATED
Metrologia é a ciência da medição e, como tal, engloba um largo espetro de parâmetros. Desde definir as unidades de medida e realizá-las na prática, até aos limites fundamentais que podem ser atingidos na estimação precisa de parâmetros. Estes limites são impostos pela natureza interna do esquema de medição. Para esquemas utilizando inputs clássicos independentes, este limite é definido em metrologia pelo Standard Quantum Limit (SQL), enquanto que para esquemas que aplicam técnicas quânticas ao nível do input, este limit é definido pelo Heisenberg Limit (HL). Como a aplicação de técnicas quânticas nos esquemas de medição ainda é bastante limitada pelo estado atual da tecnologia, é importante desenvolver alternativas para ultrapassar o SQL. Assim, o objetivo deste trabalho consiste em realizar um esquema de estimação de fases quânticas recorrendo exclusivamente a técnicas de aprendizagem automática com inputs não quânticos. Para esta tarefa, dois algoritmos foram estudados: Differential Evolution e Particle Swarm Optimization. De acordo com as suas configurações otimais, ambos os algoritmos foram aplicados a um esquema de estimação de fase adaptativo para diferentes configurações do interferómetro de Mach-Zehnder. Para a configuração ideal e para a configuração com ruído do interferómetro, ambos os algoritmos foram capazes de ultrapassar o SQL. No entanto, para o interferómetro com ruído e possibilidade de perda de fotões, isto só se verificou para um número limitado de fotões. Contudo, esta imperfeição podia ser ultrapassada permitindo maiores intervalos de tempo para o processo de aprendizagem dos algoritmos.
novembro 29, 2018, 16:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
