Aplicación de técnicas de aprendizaje automático a la transmisión de estados cuánticos en cadenas de espines

• Autores: Perón Santana, Sofía
• Año de publicación: 2022
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Osenda, Omar; Domínguez, Martín Ariel
• Materia: Trasmisión de estados cuánticos; Optimización; Aprendizaje automático; Cadenas de espines; Aprendizaje por refuerzos; Cadena de bits cuánticos; Quantum State Transfer; Optimization; Machine Learning; Spin Chains; Qubits; Reinforcement Learning
• Institución: Universidad Nacional de Córdoba

Tesis (Lic. en Física)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2022.
Fil: Perón Santana, Sofía. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
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.
To build any kind of computer hardware, it is necessary to implement information transmission protocols between its different parts. In the context of quantum computing, this transmission consists of sending a quantum state through a Qubit chain. Ideally, the state will travel across the chain fast and without loss of information. The increasing possibilities of implementing this type of systems experimentally has inspired the search of fast, high-fidelity transfer protocols. It is easy to find a function that quantifies transmission fidelity. However, said function depends on a really large amount of parameters that increases with the length of the chain. The optimization of this type of functions is not a trivial task. With this in mind, this work explores applying two Machine Learning algorithms to find parameters to maximize fidelity. In the first place, genetic algorithms are used to find coupling values in chains described by Heisenberg and XX Hamiltonians. The complexity differences between both models are discussed and the advantages of adding to the model information regarding the physical characteristics of the system. Then, a Deep Reinforcement learning algorithm is applied to find sequences of magnetic pulses that allow transmissions in XX chains.
Fil: Perón Santana, Sofía. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.