Reconstrução de Estados e Dinâmicas Quânticas Assistidos por Aprendizado de Máquina
Os últimos avanços experimentais na área de Informação Quântica vem apresentando sistemas manipuláveis com números de qubits cada vez maiores, trazendo consigo o debate sobre como verificar os estados produzidos e processos dinâmicos presentes nestas novas plataformas de maneira eficiente. A tomografia (completa) de estados quânticos é uma tarefa custosa com complexidade para n-qubits dada por Ω(4n/(1-F))(onde F é a fidelidade com relação ao estado ideal). A reconstrução de dinâmicas quânticas envolve muitas repetições desse último processo e possui complexidade ainda maior, por exemplo, o protocolo usual de tomografia de processos requer4n tomografias de estado. Considerando tal cenário, estudamos técnicas de reconstrução de estados e de processos dinâmicos em sistemas quânticos abertos assistidas por aprendizado de máquina, sendo especificamente investigadas as arquiteturas de máquinas restritas de Boltzmann e redes neurais recorrentes do tipo Long Short Term Memory e Gated Recurrent Units. Foram realizadas simulações de medidas experimentais para testar tais protocolos. Foram desenvolvidas ferramentas para ser empregadas em futuros experimentos nas plataformas experimentais para tecnologia quantica disponíveis na UFABC.