Kiemelt kép: Envato Elements
Szenzorok, szenzorrendszerek a mezőgazdaságtól a repülőgépekig, háztartási berendezésektől biztonságtechnikai megoldásokig, az élet minden területén jelen vannak, szorgalmasan és folyamatosan gyűjtik az adatokat, a levegő szennyezettségétől az érintésig, bármit képesek mérni, számszerűsíteni, nélkülözhetetlenek a nyers adatok használható információvá alakításához. A jelen és a jövő elképzelhetetlen nélkülük.
A mesterséges intelligencia gyors fejlődése és a kvantumtudományban elért eredmények immáron nemcsak elméleti szinten teszik lehetővé a két terület integrálását a szenzortechnológiával. A római Sapienza Egyetem és a helyi Fotonika és Nanotechnológia Intézet kutatói erre az integrációra dolgoztak ki életképes megoldást.
A kvantummérés tudománya
Az MI-t ezúttal a kvantumkutatás négy fő területének egyikében, a kvantumérzékelésben és -metrológiában, azaz méréstanban/méréstudományban igyekeztek hasznosítani, azt próbálták modellmentes, modell-független tanulóalgoritmussal eredményesebbé tenni. (A kvantumszámítások, a kvantumkommunikáció és a kvantumszimuláció a másik három fő terület.)
A kvantummérés a mérések pontosságát szignifikánsan növelő, ígéretes kvantumalkalmazás. Optikai fázisok mérése a legtöbbet kutatott területek közé tartozik, tömegesen gyártható műszerek fejlesztésében játszhat kulcsszerepet.
Szenzor munka közben (Kömlődi Ferenc / Stable Diffusion)
Kvantumérzékelők optimális használatához rendszeres jellemzés és kalibrálás kell róluk. A vizsgálat általában hihetetlenül összetett és erőforrás-igényes feladat. Minél több paramétert becsül fel a rendszer, annál bonyolultabb – sok méréshez és a mérések elemzéséhez rengeteg számítási idő kell. Ezt a szintű komplexitást manapság a gépitanulás-algoritmusok képesek legjobban kezelni. Használatukhoz viszont megfelelő protokollok kellenek, máskülönben problémás a kvantum-mérettartományban működő, tehát kvantumtechnikákat használó pontos szenzorok fejlesztése.
Most már tényleg jön a mesterséges intelligencia
Az egyik közismert gépitanulás-típus, a megerősítéses tanulás (reinforcement learning, RL) intelligens ágensét a jutalmak „motiválják”, azok függvényében tanulja meg az óhajtott optimalizáláshoz vezető, helyes lépések kivitelezését. Kvantumproblémákra, kvantum-optimalizálásra csak nemrég kezdték használni ezt a technikát.
Gépi tanulással működik a kvantumérzékelő (Kömlődi Ferenc / Stable Diffusion)
Ezeknek az eseteknek a zömében a rendszert leíró modell előzetes ismeretén alapul, viszont pont a teljesen modell-független megközelítés lenne ideális, amikor az ágens jutalma egyáltalán nem függ az explicit rendszermodelltől. Az olasz kutatók erre dolgoztak ki működő eljárást.
A modellmentes megközelítéssel bővülnek az adaptív többfázisú becslések alkalmazási lehetőségei. A kivitelezhetőséget többszörösen újrakonfigurálható fotonikus platformon szemléltették. A megerősített tanulásos algoritmussal több paraméter mérését optimalizálták, míg az algoritmust minden egyes mérést frissítő mély ideghálóval társították össze.
A protokoll fekete dobozként kezeli az érzékelőt, ami azért tehető meg, mert a mérés egyetlen szakaszában sincs szükség a rendszer működési modelljére. Más eljárásokkal összehasonlítva, a modellmentes megoldással lényegesen jobb eredményeket értek el. A kutatók szerint ezzel megnyílt a teljesen mesterségesintelligencia-alapú kvantumérzékelőkhöz vezető út.
