提出了一种要领，该要领愚弄是非期印象（一种以其正在时光序列预测方面的有用性而着名的呆板进修本领）来
科研职员声明，只管存正在会打消量子联系的紧要光子耗费，但仍取得了74.7%的互新闻规复率和87.7%的双模压缩规复率。这种要领标记着朝着无需窜改硬件即可从随机终了中规复量子联系迈出了要紧一步，为量子允诺的实践使用铺平了道道。
量子新闻科学与工程（QISE）愚弄量子力学的主旨道理来处罚和传输新闻，其办法超越了经典本领，为量子策画、通讯和传感范畴的宏大起色铺平了道道。这些打破的枢纽正在于量子联系，它们供给了QISE所需的非经典资源。然而，这些联系本色上很是亏弱，极易受到情况扰乱的影响。退闭连、耗费等阻挠性经过会紧要损害这些联系，导致QISE体系落空其与经典体系分别开来的怪异量子作为。
因而，处分这些经过的负面影响对付竣工QISE允诺至闭要紧。护卫量子联系免受阻挠性情况影响的战术对付正在实践使用中安放持重的量子体系至闭要紧。因而，胜利缓解退闭连和损耗将加强量子体系的安闲性，并加疾QISE允诺正在实践情况中的安放。
正在最普及探讨的量子体系中，光的压缩态不断发现出其举动牢靠量子资源的适用性，实用于众种QISE允诺，加倍是正在一连变量（CV）范畴。继该科研团队迩来的职责之后，他们正在该职责中显现了利用浅易硬件处分计划——积分球（IS）来减轻散射效应，他们现正在将防备力转向基于软件的要领，以减轻由散射惹起的倒霉影响。这对QISE至闭要紧，由于散射既会导致退闭连也会酿成耗费，这是支柱量子闭连与量子联系的两大枢纽挑衅。
这项探讨愚弄通过四波混频（FWM）经过正在暖的铷蒸气中爆发的双模压缩光举动量子源，研讨呆板进修（ML）算法何如减轻对量子联系的阻挠性影响。只管有用的量子联系规复计划，如主动塑制双光子的时光波包以通过规复量子插手来再造缠绕，显示出盼望，但正在实践使用中仍面对宏大挑衅，吸取和随机散射导致紧要耗费。
近期的探讨外白，正在量子新闻科学中，呆板进修本领具有适用性，比如一连变量量子密钥分发（CV-QKD）、量子纠错、量子限度，极度是正在量子态层析成像（QST）方面，该本领旨正在通过实践衡量重筑体系的完好量子态，即其密度矩阵。对付验证量子体系作为、外征量子装备、分解缠绕和闭连等量子外象，以及将实践结果与外面预测举办比较测试而言，这一经过至闭要紧。
基于呆板进修的量子态重筑（ML-QST）举动一种革新性的要领，处分了古代量子态重筑中可扩展性和噪声等枢纽挑衅。愚弄先辈的呆板进修本领，如卷积神经收集、自适当神经收集、深度进修以及迩来的量子呆板进修，ML-QST可以高效处罚大型数据集，裁减衡量需求，并加强抗噪才略。它具有众效用性，实用于众种量子平台，并能有用处罚高维体系。
区别于重筑量子体系完好静态的ML-QST，该科研团队的要领重视于基于部门或间接新闻规复量子体系内的动态量子联系，而不是重筑量子态自身。极度针对演化散射场景，此要领采用时光序列预测来规复量子体系中的量子联系，供给了一个怪异且互补的视角，这也使其区别于静态分束器筑模的分解耗费公式。
本文提出的要领基于是非期印象（LSTM）收集机器学习，这是一种正在时光序列预测方面外示精彩的轮回神经收集（RNN）架构。
LSTM收集架构：LSTM收集由众个LSTM块构成，每个块包蕴四个门机闭，即遗忘门、输初学、元胞门和输出门。遗忘门断定哪些新闻应当被丢掉，输初学确定哪些新新闻应当被存储，元胞门担当更新元胞态，输出门则断定下一个潜藏态的输出。这些门通过激活函数、权重矩阵和偏置向量协同感化，竣工对输入数据的采选性印象和新闻更新。
输入数据绸缪：输入LSTM模子的数据席卷散射引入前的探针光时光序列、散射引入前的共轭光时光序列以及散射引入后的共轭光时光序列。这些时光序列通过滑动窗口的办法举办处罚，每个窗口内的数据举动一个输入样本，窗口长度可遵照实践需求举办调度。滑动窗口要领可以使模子捉拿到时光序列中的限制特色和时光闭联性，为后续的预测供给有用的新闻根蒂。
锻炼经过：将数据集分为锻炼集、验证集和测试集，辞别用于模子的锻炼、验证和最终测试。正在锻炼经过中，采用均方差错（MSE）举动耗费函数，愚弄自适当矩测度（Adam）优化要领更新LSTM参数。每个锻炼周期席卷前向传扬、耗费函数策画、反向传扬和参数优化等步伐，通过不休迭代锻炼，使模子渐渐进修到数据中的形式和次序，从而可以切实地预测散射后的探针光时光序列。锻炼和验证耗费弧线的收敛性声明了LSTM模子具有优秀的泛化才略，可以对新数据举办有用预测，且不存正在过拟合题目。
预测经过：锻炼好的LSTM模子以散射引入后的共轭光时光序列为条款，连接散射前的探针光和共轭光时光序列之间的联系新闻，对受散射影响的探针光时光序列举办重筑。通过这种办法，模子可以正在必定水准上规复量子体系中因散射而受损的量子联系，竣工对动态量子联系的有用规复。
图：锻炼和验证耗费弧线。锻炼和验证耗费弧线的收敛声明了两点：1）LSTM对新数据的泛化才略，以及2）没有过拟合。(a)均方差错（MSE）耗费函数。最终锻炼耗费为0.00177。最终验证耗费为0.00175。(b)均匀绝对差错（MAE）耗费函数。最终锻炼耗费为0.0343。最终验证耗费为0.0338。
图：单个时光轨迹重筑的LSTM流程图显现了LSTM架构的评估功能。预期可以有用重筑未受扰探头及其共轭时光轨迹。正在达成各个重筑后，显现了重筑探头和共轭时光轨迹撮合概率分散的二维图，以验证LSTM架构的有用性。
图：呆板进修算法功能评估。图(a)和(b)辞别显示了无扰探针和共轭光束的强度涨落时光序列，用赤色和绿色弧线展现。LSTM预测的时光序列正在两个图中均以玄色弧线显现。图(c)显示了无扰探针和共轭光束的强度涨落撮合概率分散，图(d)显示了LSTM预测的孪生光束的强度涨落撮合概率分散。图(e)和(f)是辞别是图(c)和(d)中的强度涨落撮合概率分散的放大视图。
图：图(a)显现了利用IS从新采集散射探针光子的基于硬件的散射缓解计划的功能。原始共轭光束和规复的探针光束的强度震动辞别以绿色和蓝色弧线展现。图(b)显现了利用LSTM架构重筑散射探针时光序列的基于呆板进修的散射缓解计划的功能，规复的探针光束和共轭光束（存正在散射器）的强度涨落辞别以赤色和绿色弧线展现。图(c)比力了两种利用MI举动新闻胸怀的规复计划。绿色、玄色、蓝色和赤色弧线辞别代外无扰的原始计划、受扰的硬件规复计划以及基于LSTM的规复计划。MI峰值高度和地点显露地显示了基于LSTM计划的功能擢升，竣工了74.7%的峰值高度规复且无峰值延迟，而基于硬件的计划则为47.1%的峰值高度规复和32.5纳秒的峰值延迟。
实践中采用四波混频（FWM）经过正在和暖的Rb-85原子蒸气单位中爆发双模压缩光，举动探讨的量子源。全部实践计划如下：
双模压缩光爆发：愚弄泵浦光束与原子蒸气中的原子互相感化，通过FWM经过将两个光子转换为发射到空间分辩的探针光和共轭光形式中的孪生光子。这种“亮双模压缩”经过爆发的探针光和共轭光的光功率限制从纳瓦到毫瓦不等。固然每个形式中的光子爆发是随机的，外示出似乎热光的特点，但探针光和共轭光之间的强度涨落存正在猛烈的量子联系，外示为双模强度差压缩。
散射情况模仿：为了模仿实践的扰乱情况，正在探针光途径中引入一个磨砂玻璃散射器，其扔光面朝向光束，后背为120粒度的中等外面，可以爆发近球形的散射形式。而共轭光则维系不受扰乱地传扬。通过这种办法，探讨散射对量子联系的影响以及LSTM模子正在规复量子联系方面的功效。
数据采撷与处罚：利用示波器记载探测器拘捕的双光束光子流爆发的光电流，每个探测器记载的数据包蕴400万个数据点，采样率为2.0千兆样本/秒，总采撷时光为2毫秒。采撷到的数据必要举办后处罚，席卷对时光序列数据举办滑动窗口处罚、归一化等操作，以餍足LSTM模子的输入哀求。
LSTM模子使用：将始末预处罚的数据输入到锻炼好的LSTM模子中，模子遵照散射前后共轭光的时光序列以及散射前探针光和共轭光之间的联系新闻，对散射后的探针光时光序列举办重筑和预测。通过比力预测取得的探针光时光序列与实践无扰探针光时光序列之间的分歧，评估LSTM模子正在规复量子联系方面的功能。
图：(a)示图谋显现了参考文献[PRXQuantum 5, 030351 (2024)]中基于硬件的散射逼迫要领以及本探讨中的软件/是非期印象收集要领。散射器仅引入到探测光束中。(b)通过利用Matlab后处罚探测光束和共轭光束的强度涨落，取得了双模强度差压缩的范例光谱。
图：LSTM流程图。(a)输入量子数据：1)引入散射器前的探测时光序列，2)引入散射器前的共轭时光序列，3)引入散射器后的共轭时光序列，辞别标志为“无散射器探测”、“无散射器共轭”和“有散射器共轭”。(b)数据绸缪：滑动窗口，(c)LSTM层包蕴三个LSTM块，(d)减法和加法操作，(e)全毗邻线性层，(f)输出预测：重构的扰动探测时光序列。
简历投递
商务合作
媒体垂询
