Deep learning for quantum parameter estimation
Manuel Eduardo González Lastre, Carlos Sánchez Muñoz (tutor). IFIMAC – Universidad Autónoma de Madrid
La metrología cuántica es un área de la física cuántica cuyo objetivo consiste en determinar el valor de una magnitud física con una precisión por encima del límite clásico. Este procedimiento recibe el nombre de Quantum parameter estimation. Para conseguir esta precisión, se explota el carácter cuántico del sensor. Este nuevo paradigma de medición tendría aplicaciones no solo en el ámbito científico, sino que podría extenderse a sectores como el de la ingeniería civil, el energético o incluso el sanitario. Sin embargo, cuando se plantea aplicar la metrología cuántica a estos campos, nos damos cuenta de que los sistemas con los que tratamos son muy complejos y una modelización formal puede ser muy complicada o incluso imposible. Es aquí donde entra el deep learning, que nos permite inferir el valor de las magnitudes físicas que nos son de interés sin necesidad de un modelo. Las redes neuronales »aprenden» la física del problema a partir de ejemplos. En este paper estudiamos un sistema que consiste en un láser con un cierto detunning, que bombea a un átomo. Este átomo está además acoplado al vacío, de forma que puede emitir fotones. Tradicionalmente, si nosotros queríamos obtener el valor del detunning δ del láser, entonces debíamos medir un registro de fotodetección (un array donde cada entrada es el tiempo que tarda en emitirse un fotón) y conocer el hamiltoniano del sistema para, utilizando un método cuántico formal, obtener la distribución de probabilidad de δ. Este método no solo requiere el conocimiento del hamiltoniano, sino que además es computacionalmente costoso. La novedad de nuestro enfoque radica en que al utilizar redes neuronales densas, en ningún momento tenemos que suponer un hamiltoniano del sistema y además el proceso de predicción es computacionalmente muy eficiente.
(Resumen completo: Manuel Eduardo González Lastre)