Reversing quantum information loss using lessons from machine learning
PhD student Einar Gabbassov takes inspiration from image generation models to explore quantum information recovery
By Perimeter Institute
Quantum systems are fragile. When a qubit interacts with a noisy environment, the information it carries can easily be lost, scrambled in such a way that retrieving the information is virtually impossible.
But not in all scenarios.
Einar Gabbassov, Institute for Quantum Computing, Faculty of Mathematics and Perimeter Institute PhD student, has been exploring cases where quantum information loss can be reversed, taking inspiration from image generation models like DALL-E or SORA. These are known as diffusion models. They are trained by allowing an image to gradually be turned into noise, and then they attempt to work backwards from the noise to recreate a clear picture.
“The classical forward and reverse processes used by image generation models are described by a stochastic differential equation, and this equation was derived in the 1970s. It's pretty old mathematics, later adapted to machine learning,” says Gabbassov. “In quantum mechanics, we have equations that describe the forward processes of information loss, but there are no known analogs of the quantum reverse process. I wondered whether it was possible.”
In a new paper published this week in Physical Review Research, Gabbassov derived the stochastic Schrödinger equations that describe the quantum reverse process.
Inverser la perte d’information quantique en suivant l’exemple de l’apprentissage automatique
Einar Gabassov, étudiant au doctorat, s’inspire des modèles de génération d’image pour explorer la récupération de l’information quantique
Institut Périmètre
Les systèmes quantiques sont fragiles. Lorsqu’un qubit interagit avec un environnement bruyant, l’information qu’il transporte peut facilement se perdre – brouillée à tel point qu’il est pratiquement impossible de la récupérer.
Mais pas toujours.
Einar Gabassov, doctorant à l’Institut d’informatique quantique, à la Faculté de mathématiques et à l’Institut Périmètre, s’intéresse à des scénarios où la perte d’information quantique est réversible. Pour cela, il s’inspire de modèles de génération d’images tels que DALL-E ou SORA. Aussi appelés modèles de diffusion, ces derniers sont entraînés en laissant progressivement une image se convertir en bruit, puis en essayant de faire machine arrière pour recréer un résultat net à partir du bruit.
« Les processus classiques dans un sens et dans l’autre utilisés par les modèles de génération d’image sont décrits par une équation stochastique différentielle, qui a été dérivée dans les années 1970. Il s’agit de mathématiques assez anciennes, qui ont été adaptées plus tard à l’apprentissage automatique, explique le doctorant. En mécanique quantique, nous avons des équations qui décrivent les processus vers la perte d’information, mais nous ne connaissons pas d’équivalents pour l’inverse. Je me suis demandé si cela était possible. »
Dans un nouvel article récemment publié dans Physical Review Resarch, Einar Gabassov a dérivé les équations stochastiques de Schrödinger qui décrivent le processus d’inversion quantique.