تولید حالات کوانتومی نور

تولید حالات کوانتومی نور

پلتفرم‌های فوتونیک یک نامزد امیدوارکننده برای تولید انواع زیادی از حالت‌های چند فوتونی درهم تنیده را نشان می‌دهند. با این حال، مشکلات موجود در طراحی آزمایش‌های نوری جدید و کارآمد هم با ابعاد و هم با پیچیدگی حالت‌های مورد نظر افزایش می‌یابد. اخیراً، پروتکل‌های هوش مصنوعی برای یافتن پیکربندی بهینه عناصر نوری که حالت کوانتومی مورد نظر را از حالت اولیه موجود تولید می‌کنند، به کار گرفته شده‌اند. پیکربندی های جالبی که حالت های مورد نظر را ایجاد می کنند.

در مرجع. [162]، ملنیکوف و همکاران. یک پروتکل RL، فرموله شده در چارچوب شبیه سازی تصویری، برای طراحی آزمایش های پیچیده فوتونیک کوانتومی ایجاد کرد. حالت کوانتومی در تکانه زاویه‌ای مداری (OAM) فوتون‌های تولید شده توسط فرآیند تبدیل پارامتری خودبه‌خودی مضاعف (SPDC) در دو کریستال غیرخطی کدگذاری می‌شود. نویسندگان به عامل دو وظیفه متفاوت می‌دهند: اولی یافتن ساده‌ترین راه‌اندازی است که امکان تولید یک حالت کوانتومی با مجموعه‌ای از ویژگی‌ها را فراهم می‌کند، در حالی که دومی شامل یافتن پیکربندی‌های آزمایشی تا حد امکان برای تولید همان حالت است. . برای دستیابی به چنین وظایفی در هر تکرار الگوریتم، عامل به مجموعه‌ای از عناصر نوری از جمله شکاف‌کننده‌های پرتو، آینه‌ها، هولوگرام‌های پارامتری شیفت و منشورهای Dove دسترسی دارد که می‌تواند به صورت متوالی روی میز نوری قرار دهد. پس از تجزیه و تحلیل وضعیت به دست آمده از تکامل از طریق عناصر انتخاب شده، عامل یا پاداشی دریافت می کند یا نه همانطور که در شکل 11 نشان داده شده است. دو وظیفه ما در حال بررسی است. پیکربندی‌های به‌دست‌آمده نشان می‌دهند که چگونه الگوریتم‌های هوش مصنوعی می‌توانند حتی در طول طراحی آزمایش‌های نوری جدید به کار گرفته شوند. جالب توجه است، این نوع رویکرد، که امکان بررسی میلیون‌ها آزمایش اپتیکی کوانتومی مختلف را فراهم می‌کند، منجر به کشف تنظیمات غیرمتعارف جدیدی شد که برای به دست آوردن اولین تحقق تجربی حالات بسیار درهم‌تنیده با ابعاد بالاتر و تکنیک‌های کوانتومی جدید مورد استفاده قرار گرفته‌اند. با پیدا شدن پروتکل ها و برنامه های کاربردی جدید، این راه دسترسی به حالت های دلخواه به یک دارایی کلیدی تبدیل می شود.

کاربرد هوش مصنوعی در اپتیک کوانتومی

کاربرد هوش مصنوعی در اپتیک کوانتومی

توسعه فناوری های کوانتومی اکنون به مرحله ای رسیده است که در آن نوعی پردازش خودکار داده ها به شدت مطلوب است. این نیاز از حجم زیادی از داده‌هایی که یک سیستم کوانتومی پیچیده می‌تواند تولید کند و همچنین لزوم اتکا نکردن به اپراتوری که بر روی سیستم عمل می‌کند ناشی می‌شود. بنابراین ML به عنوان یک تکنیک جذاب برای رسیدگی به چنین مشکلاتی به نظر می رسد. به ویژه، در زمینه اپتیک کوانتومی، [158] پیچیدگی آزمایش های جدید به طور مداوم در حال افزایش است. ما اکنون تجهیزات و پلتفرم‌هایی را برای تولید حالت‌های درهم تنیده چندجانبه با ابعاد بالا داریم که شامل سیستم‌های فیزیکی متشکل از بیش از دو زیرسیستم است که می‌توانند برای دستیابی به وظایف مختلف دستکاری شوند. یکی از پیامدهای مستقیم برخورد با چنین سیستم‌های پیچیده‌ای این است که کنترل و توصیف حالت‌های تولید شده نیازمند تلاش‌های بزرگ‌تری هم از نظر هزینه‌های محاسباتی و هم در توانایی مدل‌سازی رفتار آنها است. در واقع، در حالی که توصیف کامل یک سیستم کلاسیک به تعدادی پارامتر نیاز دارد که به صورت خطی با اندازه سیستم مقیاس می شوند، تعداد اندازه گیری ها و پارامترهای مورد نیاز برای توصیف حالت های کوانتومی تولید شده به صورت نمایی با ابعاد آنها مقیاس می شود. چنین مقیاس بندی نمایی ذاتاً با ویژگی های خاص پدیده های کوانتومی مرتبط است.[159] بنابراین، استفاده از روش‌های ML به‌ویژه در شرایط تجربی پر سر و صدا مفید به نظر می‌رسد، جایی که کاربرد مدل نظری می‌تواند شکست بخورد و توسعه یک مدل خاص به‌ویژه برای سیستم‌های با ابعاد بالا بسیار سخت است. افزایش پیچیدگی منابع کوانتومی فوتونیک در دسترس دلیل اصلی این است که در سال‌های گذشته تعداد آزمایش‌های متوسل به ML به سرعت در این زمینه گسترش یافته است. استفاده از آن در جنبه های مختلف مفید است که در ادامه به صورت جداگانه بررسی خواهیم کرد، یعنی تولید حالت های کوانتومی، استفاده از آنها در کاربردهای اندازه شناسی و در نهایت خصوصیات آنها.