Erittäin tarkkaa anturiteknologiaa kvanttibittien ja koneoppimisen avulla
Aalto-yliopiston johtama tutkijaryhmä on kvanttifysiikan ja koneoppimisen menetelmiä yhdistelemällä kehittänyt magnetometrin, jonka tarkkuus rikkoo kvanttirajan.
Minkä tahansa asian mittaamisessa tarkkuudella on rajansa. Esimerkiksi röntgenkuvat ovat melko epäselviä, ja vain asiantunteva lääkäri pystyy tulkitsemaan niitä kunnolla. Kudosten välinen kontrasti on sangen heikko, mutta sitä voisi parantaa pidentämällä altistusaikaa, lisäämällä säteiden tehoa tai ottamalla lukuisia kuvia. Se on kuitenkin mahdotonta, koska ihmisen voi turvallisesti altistaa röntgensäteille vain rajallisen ajan ja määrän. Kuvien ottaminen taas vie aikaa ja resursseja.
Yleinen nyrkkisääntö mittaustarkkuudelle on niin sanottu kvanttiraja: tarkkuus paranee käänteisesti suhteessa käytettävissä olevien resurssien neliöjuureen. Toisin sanoen, mitä enemmän resursseja – aikaa, säteilytehoa, kuvien määrää – käytetään, sitä tarkempia mittaukset ovat. Loputtomia resursseja ei kuitenkaan ole olemassa.
Aalto-yliopiston, Zürichin teknillisen yliopiston (ETH) ja Moskovan MIPT:n ja Landau-instituutin tutkijoiden ryhmä on kuitenkin yrittänyt luoda poikkeuksen nyrkkisääntöön ja kehittänyt tavan mitata magneettikenttiä kvanttijärjestelmän avulla. Heidän magnetometrillään on mahdollista ylittää tarkkuuden kvanttiraja.
Arvostetussa npj Quantum Information -lehdessä julkaistussa artikkelissaan ryhmä osoittaa, miten magneettikentän mittaamisen tarkkuutta voidaan parantaa hyödyntämällä suprajohtavan keinotekoisen atomin, kvanttibitin, häiriötöntä tilaa. Ryhmän käyttämä kvanttibitti eli kubitti on erittäin pieni laite, joka on tehty piisirun päällä höyrystetyistä alumiiniliuskoista. Valmistustapa muistuttaa älypuhelinten ja tietokoneiden prosessorien valmistuksessa käytettävää tekniikkaa.
Magneettikenttien tarkka havaitseminen on tärkeää monilla aloilla geologisesta etsinnästä aivotoiminnan kuvantamiseen. Tutkijoiden mukaan heidän tuloksensa ovat ensi askel kvanttitehostettujen menetelmien käytölle sensoriteknologiassa.
”Halusimme rakentaa tehokkaan ja mahdollisimman vähän kohteeseen kajoavan mittaustekniikan. Esimerkiksi herkkiin kudosnäytteisiin on joko käytettävä mahdollisimman matalia tehoja tai mahdollisimman lyhyttä mittausaikaa”, Aalto-yliopiston Գٳپ-ٳٰܳ쾱ܲän johtaja Sorin Paraoanu ٳää.
Kun kvanttilaite jäähdytetään erittäin matalaan lämpötilaan, sähkövirta virtaa laitteessa ilman vastusta, ja laitteen kvanttimekaaniset ominaisuudet alkavat muistuttaa oikeiden atomien ominaisuuksia. Kun kvanttibittiä säteilytetään mikroaaltopulssilla – samantapaisella kuin tavallisessa mikroaaltouunissa – sen tila muuttuu. Muutos taas riippuu käytetystä ulkoisesta magneettikentästä: kvanttibittiä mittaamalla voidaan mitata myös magneettikenttää.
Kvanttirajan ylittämiseksi on kuitenkin tehtävä vielä yksi temppu: ottaa avuksi hahmontunnistukseksi kutsuttu koneoppimisen menetelmä.
”Teemme ensin mittauksen ja annamme sen jälkeen hahmontunnistusalgoritmin päättää tuloksen perusteella, miten parametreja pitää muuttaa, jotta magneettikentästä saadaan nopein arvio”, kertoo Andrey Lebedev, joka on osallistunut tutkimuksen tekemiseen Zürichin teknillisessä yliopistossa ja työskentelee nyt Moskovan MIPT:ssä.
”Työmme on hyvä esimerkki käytännön kvanttiteknologiasta: yhdistämällä kvantti-ilmiö koneoppimiseen perustuvaan mittaustekniikkaan magnetometrin herkkyys paranee niin, että se rikkoo kvanttirajan”, Lebedev sanoo.
Aalto-yliopiston tutkijoiden työtä on tehty osana Teknillisen fysiikan laitoksen Centre for Quantum Engineering -keskuksen sekä Suomen Akatemian kvanttiteknologian kansallista huippuyksikköä . Kokeellisen tutkimuksen mahdollisti kansallinen tutkimusinfrastruktuuri .
Tutkimusartikkeli: S. Danilin, A.V. Lebedev, A. Vepsäläinen, G.B. Lesovik, G. Blatter, ja G.S. Paraoanu, Quantum-enhanced magnetometry by phase estimation algorithms with a single artificial atom. npj Quantum Information (2018) 4: 29.
doi:10.1038/s41534-018-0078-y
äپٴᲹ:
Gheorghe-Sorin Paraoanu
Aalto-yliopisto
Teknillisen fysiikan laitos
sorin.paraoanu@aalto.fi
puh. 050 344 2650
Lue lisää uutisia
Koneoppiminen purkaa avaruuden kemian arvoituksia
Tähtitieteilijät voivat havaita tähtipölyssä monimutkaisia kemiallisia “sormenjälkiä” – mutta monia niistä ei ole vielä tunnistettu. SpaceML-hanke yhdistelee koneoppimisen simulaatioita ja laskennallista kemiaa, jotta tutkijat voivat selvittää miten molekyylit muodostuvat ja kehittyvät avaruudessa.
PORT_2026 kokosi Aalto-yliopiston opiskelijat ratkaisemaan kulttuurin, median ja ilmaston haasteita
Lähes 60 Aalto-yliopiston opiskelijaa osallistui PORT_2026-innovaatiokilpailuun, jossa he kehittivät ja esittelivät ratkaisuja kulttuuriin, mediaan ja ilmastoon liittyviin haasteisiin.
Katalyysi uudessa valossa: mikrotason vuorovaikutukset voivat tehostaa puhtaan energian teknologioita
Uusi tutkimus avaa tarkemman näkymän siihen, miten katalyytit toimivat kemiallisten reaktioiden aikana. Löydös voi auttaa kehittämään tehokkaampia materiaaleja esimerkiksi vihreän vedyn tuotantoon ja kestävämpään kemianteollisuuteen.