Вчені спростили квантову заплутаність завдяки ШІ: крок до квантового інтернету

У новому дослідженні, опублікованому в журналі Physical Review Letters, міжнародна команда вчених продемонструвала, як штучний інтелект може революціонізувати квантову фізику.

Завдяки спеціалізованому ШІ-інструменту під назвою PyTheus дослідники виявили спрощений метод формування квантової заплутаності між субатомними частинками — явища, яке Альберт Ейнштейн колись назвав «моторошною дією на відстані». Цей прорив може стати ключем до створення доступніших квантових технологій, зокрема квантових мереж для безпечного обміну даними та навіть квантової телепортації.

Квантова заплутаність — це унікальний стан, коли частинки, наприклад фотони, стають пов’язаними на квантовому рівні. У такому стані їхні властивості залишаються спільними незалежно від відстані між ними. Ця особливість лежить в основі роботи квантових комп’ютерів і дозволяє передавати інформацію миттєво, минаючи традиційні обмеження простору.

Проте створення заплутаних станів досі було складним завданням. Зазвичай процес вимагав підготовки двох окремих пар заплутаних частинок, а потім проведення вимірювань, відомих як Белл-стан вимірювання, на одному фотоні з кожної пари. Це призводило до колапсу квантової системи, залишаючи два інші фотони заплутаними, хоча вони ніколи не взаємодіяли безпосередньо. Такий метод, відомий як «обмін заплутаністю», вважався базовим для квантової телепортації, але його складність гальмувала практичне застосування.

Автори дослідження спочатку планували відтворити відомі протоколи обміну заплутаністю для квантових комунікацій, використовуючи PyTheus — інструмент, розроблений спеціально для проєктування квантово-оптичних експериментів.

Проте ШІ запропонував несподівано просте рішення. Аналізуючи складний набір даних, що описував різні умови експериментів, нейронна мережа не лише відтворила фізичні принципи, а й виявила альтернативний шлях. Згідно з пропозицією PyTheus, заплутаність може виникати, коли джерела фотонів стають невизначеними, а їхні траєкторії — нерозрізненними. Якщо кілька джерел можуть генерувати фотони, але їх походження неможливо відстежити, це створює умови для появи заплутаності там, де її раніше не було.

Спочатку вчені поставилися до результатів зі скептицизмом. «Ми не могли повірити, що настільки просте рішення може спрацювати», — зазначили автори в коментарі для Live Science. Однак ШІ наполегливо повертав одну й ту саму модель. Щоб перевірити теорію, дослідники налаштували експериментальні умови: скоригували джерела фотонів, зробивши їх нерозрізненними, і забезпечили виявлення частинок у певних траєкторіях. Результати підтвердили припущення — два фотони, що не взаємодіяли напряму, стабільно демонстрували квантову заплутаність.

Цей підхід значно спрощує процес створення заплутаних станів. Замість складних маніпуляцій із кількома парами частинок достатньо лише контролювати невизначеність їхніх шляхів. За словами Софії Валлекорси, дослідниці квантових технологій у CERN, яка не брала участі в проєкті, це відкриває нові перспективи. «Чим простіші технології ми використовуємо, тим ширший спектр застосувань стає можливим», — пояснила вона. Зокрема, спрощення може вплинути на розвиток квантових мереж, які використовуються для захищеного обміну інформацією. У майбутньому це може дозволити створювати складніші системи з різноманітними конфігураціями, що перевершують сучасні лінійні моделі зв’язку.

Проте вчені застерігають, що перехід від лабораторних умов до комерційного використання потребує додаткових зусиль. Шуми навколишнього середовища та недосконалість обладнання можуть дестабілізувати квантові системи, ускладнюючи масштабування технології. Попри це, прорив уже викликав інтерес у науковій спільноті. Він не лише наближає реалізацію квантового інтернету, а й демонструє потенціал ШІ як інструменту для фундаментальних досліджень. «Ми все більше звертаємося до штучного інтелекту, хоча скептицизм щодо його ролі в роботі фізиків зберігається», — зазначила Валлекорса. За її словами, ключове питання полягає в тому, як ШІ змінить функції дослідників, коли стане повноцінною частиною наукового процесу.

Дослідження стало переконливим прикладом того, як технології машинного навчання здатні відкривати нові горизонти в науці.