Aplicación de Técnicas de Aprendizaje Automático a la Transmisión de Estados Cuánticos | Trabajo Especial de la Licenciatura en Física

Resumen: Para construir cualquier tipo de hardware, es fundamental contar con protocolos de transmisión de información entre las distintas partes del mismo. En el contexto de la computación cuántica, esta transmisión se realiza enviando un estado cuántico a lo largo de una cadena de bits cuánticos o qubits. Idealmente, el estado llega de un extremo al otro de forma rápida y sin pérdida de información. La creciente posibilidad de implementar este tipo de sistemas experimentalmente ha impulsado la búsqueda de protocolos de transmisión rápidos y de alta fidelidad. Es sencillo encontrar formas de cuantificar la fidelidad de la transmisión. Sin embargo, la función asociada a la misma depende de una gran cantidad de parámetros (que, además, crece con el largo de las cadenas). Optimizar funciones de este tipo no resulta una tarea sencilla. Con esta motivación, en el presente trabajo, se plantea utilizar dos tipos de algoritmos de aprendizaje automático o Machine Learning para encontrar parámetros que maximicen la fidelidad. En primer lugar, se utilizan algoritmos genéticos para encontrar valores de acoplamientos óptimos en cadenas representadas por Hamiltonianos de tipo XX y Heisenberg. Se analizan las diferencias de complejidad entre ambos modelos y se estudian las ventajas de agregar (o no) información física del sistema al algoritmo. En segundo lugar, se implementa un algoritmo de aprendizaje por refuerzos profundo, es decir, combinado con una red neuronal (Deep Reinforcement Learning o DRL) para encontrar secuencias de pulsos magnéticos externos que permitan mejorar la transmisión en cadenas de tipo XX.