Genaue Sensortechnologie: Verwenden von Qubits und maschinelles Lernen

- Jun 07, 2019-


Kürzlich hat ein Forscherteam, das sich aus Forschern der Aalto-Universität in Finnland, der Eidgenössischen Technischen Hochschule in Zürich und des Moskauer Instituts für Physik und Technologie in Russland zusammensetzt, die Grenze in Frage gestellt und eine Methode zur Messung von Magnetfeldern mit Quantensystemen vorgeschlagen. Die Genauigkeit überschreitet die Standardquantengrenze. .


Hintergrund


Die Genauigkeit, mit der wir Dinge messen, ist begrenzt. Im Falle eines Röntgenbildes ist es wahrscheinlich mehrdeutig und kann nur von einem erfahrenen Arzt richtig interpretiert werden. Der Kontrast zwischen verschiedenen Geweben ist gering, kann jedoch durch längere Belichtungszeiten, höhere Beleuchtungsintensität oder durch Aufnehmen mehrerer Bilder und Überlagern derselben verbessert werden.


Als Faustregel gilt das sogenannte "Standardquantenlimit": Die Genauigkeit der Messung ist umgekehrt proportional zur Quadratwurzel der verfügbaren Ressourcen. Mit anderen Worten, je mehr Ressourcen Sie verwenden (Zeit, Strahlungsleistung, Anzahl der Bilder usw.), desto genauer sind Ihre Messungen. Dies ermöglicht Ihrem Verständnis jedoch nur, dieses Niveau zu erreichen: Extreme Präzision bedeutet, dass Sie eine Menge Ressourcen verbrauchen.


Innovation


Kürzlich hat ein Forscherteam, das sich aus Forschern der Aalto Universität in Finnland, der ETH Zürich und des Moskauer Instituts für Physik und Technologie (MIPT) zusammensetzt, die Grenze in Frage gestellt und eine Messung mit Quantensystemen vorgeschlagen. Die Methode des Magnetfeldes überschreitet die Standardquantengrenze. Ihr Artikel wurde in der renommierten Zeitschrift Npj Quantum Information veröffentlicht.


qubits and machine learning


Technologie


Sorin Paraoanu, Leiter der Kvantti-Forschungsgruppe an der Aalto-Universität in Finnland, sagte: „Wir möchten eine effiziente, aber minimal invasive Messtechnik entwerfen. Beispielsweise müssen wir bei extrem empfindlichen Proben entweder die geringstmögliche Magnetfeldstärke beobachten. Diese Proben minimieren entweder die Messzeit. "


In diesem Artikel wird jedoch beschrieben, wie die Kohärenz von supraleitenden künstlichen Atomen (einem Qubit) zur Verbesserung der Genauigkeit von Magnetfeldmessungen genutzt werden kann. Es ist ein winziges Gerät, das aus überlappenden Aluminiumstreifen besteht, die auf einem Siliziumchip verdampfen. Diese Technologie ähnelt der Technologie, mit der Mobiltelefone und Handyprozessoren hergestellt werden.


Artificial atoms released from the aluminum strip on the silicon chip can be used to detect magnetic fields


Aus dem Aluminiumstreifen auf dem Siliziumchip freigesetzte künstliche Atome können zur Detektion von Magnetfeldern verwendet werden

Wenn das Gerät auf sehr niedrige Temperaturen abgekühlt wird, passiert das Unglaubliche: Der Stromfluss in ihm wird nicht blockiert und zeigt quantenmechanische Eigenschaften, die denen realer Atome ähnlich sind.


Bei Bestrahlung mit Mikrowellenpulsen (anders als bei Mikrowellen in Haushalts-Mikrowellenherden) ändert sich der Zustand der künstlichen Atome. Die Ergebnisse zeigen, dass diese Änderung vom extern angelegten Magnetfeld abhängt: Durch Messen des Atoms können Sie das Magnetfeld berechnen.


Um jedoch die Standardquantengrenze zu überschreiten, muss ein anderer Ansatz gewählt werden, nämlich eine Technik, die der eines weit verbreiteten Zweigs des maschinellen Lernens ähnelt: die Mustererkennung.


Andrey Lebedev, Autor der ETH Zürich, der am MIPT in Moskau, Russland, arbeitet, sagte: "Wir haben eine adaptive Technik übernommen. Zuerst nehmen wir Messungen vor und lassen dann unseren Mustererkennungsalgorithmus entscheiden, wie der nächste Schritt basierend auf der Messung geändert werden soll Ergebnisse. Die Steuerparameter für die schnellste Magnetfeldmessung. "


Magnetfeldabtastung: Die in aufeinanderfolgenden Schritten des Algorithmus definierte Wahrscheinlichkeitsverteilung (die beiden in der Studie verwendeten Algorithmen sind jeweils in Rot und Blau dargestellt), die eine genaue Identifizierung der Magnetflusswerte ermöglichen. Die grüne Kurve ist die Standardquantengrenzverteilung und der Hintergrund ist das Interferenzmustermerkmal des Geräts.


machine learning and magnetic


Wert


In einer Reihe von Bereichen, von der geologischen Erkundung bis zur Darstellung der Gehirnaktivität, ist die Magnetfelderkennung von großer Bedeutung. Die Forscher glauben, dass ihre Arbeit der erste Schritt in Richtung des Ziels der Erfassungstechnologie unter Verwendung von Quantenverbesserungsmethoden ist. Darüber hinaus ist die schnelle Extraktion von Informationen aus Quantenzuständen für zukünftige Quantenprozessoren und ultraempfindliche Detektoren im Stand der Technik wesentlich.
Lebedev sagte: "Dies ist eine sehr gute Anwendung der Quantentechnologie. Indem wir Quantenphänomene mit Messtechniken kombinieren, die auf überwachtem maschinellem Lernen basieren, können wir die Empfindlichkeit von Magnetfelddetektoren in einem neuen Bereich verbessern, der die Standardquantengrenzen durchbricht."


Ein paar:Chinesische Wissenschaftler entwickelten erfolgreich endoskopische Ultraschallsonden Der nächste streifen:Apples neues Patent: Sehr coole Force Sensing-Kontrollhandschuhe