Entanglement Witnesses Implemented by Quantum Extreme Learning Machines
(2025) PHYM01 20251Solid State Physics
Department of Physics
- Abstract
- Integrating quantum systems with machine learning models gives rise to quantum machine learning, which introduces new data processing and analysis capabilities. One approach is the use of quantum extreme learning machines, which combine a physical quantum reservoir with a single-layer artificial neural network. The advantage of utilizing a quantum reservoir, instead of a classical system, lies in its complex dynamics and high-dimensional Hilbert space. In this thesis, we implement quantum reservoirs consisting of coupled quantum dots to process input states from a separate system of two spin qubits, also realized by quantum dots. Using this setup, we implement linear and nonlinear entanglement witnesses, operators from which we can detect... (More)
- Integrating quantum systems with machine learning models gives rise to quantum machine learning, which introduces new data processing and analysis capabilities. One approach is the use of quantum extreme learning machines, which combine a physical quantum reservoir with a single-layer artificial neural network. The advantage of utilizing a quantum reservoir, instead of a classical system, lies in its complex dynamics and high-dimensional Hilbert space. In this thesis, we implement quantum reservoirs consisting of coupled quantum dots to process input states from a separate system of two spin qubits, also realized by quantum dots. Using this setup, we implement linear and nonlinear entanglement witnesses, operators from which we can detect entanglement between the spin qubits. While entanglement witnesses for spin qubits are typically implemented using spin measurements, which are experimentally challenging in quantum dot systems, we develop witnesses based on charge measurements. This is possible as the reservoir processes the states so that information about entanglement becomes accessible through charge measurements. Since measuring charge is significantly easier than measuring spin in quantum dot systems, our method provides entanglement witnesses that are experimentally accessible. (Less)
- Popular Abstract (Swedish)
- Kvantsammanflätning ¨ar en unik egenskap inom kvantfysiken som beskriver hur partiklar, till exempel elektroner, kopplas samman på ett sätt som gör att de inte kan beskrivas oberoende av varandra. I den här rapporten undersöker vi hur kvantsammanflätning kan detekteras med maskininlärning. Det senaste decenniet har vi sett hur artificiell intelligens och maskininlärning förändrat vår vardag, med allt från självkörande bilar till chattar byggda på stora språkmodeller. Vi undersöker en ny spännande riktning i denna utveckling: kvantmaskininlärning, där kvantfysikaliska system och maskininlärning kombineras.
Men vad ¨ar det som gör kvantsystem så speciella, och varför kan de vara användbara i maskininlärning? För att förstå det, kan vi... (More) - Kvantsammanflätning ¨ar en unik egenskap inom kvantfysiken som beskriver hur partiklar, till exempel elektroner, kopplas samman på ett sätt som gör att de inte kan beskrivas oberoende av varandra. I den här rapporten undersöker vi hur kvantsammanflätning kan detekteras med maskininlärning. Det senaste decenniet har vi sett hur artificiell intelligens och maskininlärning förändrat vår vardag, med allt från självkörande bilar till chattar byggda på stora språkmodeller. Vi undersöker en ny spännande riktning i denna utveckling: kvantmaskininlärning, där kvantfysikaliska system och maskininlärning kombineras.
Men vad ¨ar det som gör kvantsystem så speciella, och varför kan de vara användbara i maskininlärning? För att förstå det, kan vi jämföra hur klassiska datorer och kvantdatorer behandlar information. I en vanlig dator representeras information med bitar som antar värdet noll eller ett. En kvantdator däremot använder kvantbitar, som kan vara en kombination av noll och ett, ett fenomen som kallas superposition. Det innebär att en kvantbit kan representera flera värden samtidigt. Dessutom kan kvantbitar kopplas samman på ett sätt som gör att värdet de representerar beror på varandra. Då säger man att kvantbitarna ¨ar sammanflätade. En
fascinerande konsekvens av sammanflätade kvantbitar ¨ar att en mätning av värdet på en kvantbit omedelbart påverkar den andra, oavsett avståndet mellan dem.
Det är dessa unika egenskaper som gör kvantdatorer kraftfulla, och det ¨ar också dessa vi strävar efter att utnyttja i kvant-maskininlärning för att analysera information på nya sätt. En särskilt lovande tillämpning för kvant-maskininlärning är att analysera andra kvantfysikaliska system. Det kan vara möjligt att få ut mer information om ett kvantsystem genom att bearbeta dess information med ett annat
kvantsystem, eftersom de bygger på samma fysikaliska principer.
I den här rapporten fokuserar vi på simulerade kvantsystem, specifikt kvantsystem som är uppbyggda av kvantprickar, små halvledande strukturer som innehåller elektroner. Det gör kvantprickar till en bra plattform för att studera enskilda elektroner. Dessutom kan en kvantprick med en elektron bilda en kvantbit, där elektronen representerar kvantbitens värde.
Syftet i den här rapporten är att detektera kvantsammanflätning mellan två kvantprickar med kvant-maskininl¨arning. Genom att låta de två kvantprickarna interagera med ett annat kvantsystem, som best˚ar av flera andra kvantprickar, kan vi utläsa information om sammanflätningen genom enkla mätningar. Mätningarna bearbetas sedan av en klassisk maskininl¨arningsmodell som kan avgöra om de två ursprungliga kvantprickarna var i ett sammanflätat tillstånd. På så sätt undersöker vi både nya sätt att detektera kvantsammanfl¨atning och potentialen för att implementera kvant-maskininläarning med system av kvantprickar. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9189084
- author
- Höglund, Alva LU
- supervisor
- organization
- course
- PHYM01 20251
- year
- 2025
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- Quantum Dots, Quantum Entanglement, Machine Learning
- language
- English
- id
- 9189084
- date added to LUP
- 2025-05-23 08:37:38
- date last changed
- 2025-05-23 08:37:38
@misc{9189084,
abstract = {{Integrating quantum systems with machine learning models gives rise to quantum machine learning, which introduces new data processing and analysis capabilities. One approach is the use of quantum extreme learning machines, which combine a physical quantum reservoir with a single-layer artificial neural network. The advantage of utilizing a quantum reservoir, instead of a classical system, lies in its complex dynamics and high-dimensional Hilbert space. In this thesis, we implement quantum reservoirs consisting of coupled quantum dots to process input states from a separate system of two spin qubits, also realized by quantum dots. Using this setup, we implement linear and nonlinear entanglement witnesses, operators from which we can detect entanglement between the spin qubits. While entanglement witnesses for spin qubits are typically implemented using spin measurements, which are experimentally challenging in quantum dot systems, we develop witnesses based on charge measurements. This is possible as the reservoir processes the states so that information about entanglement becomes accessible through charge measurements. Since measuring charge is significantly easier than measuring spin in quantum dot systems, our method provides entanglement witnesses that are experimentally accessible.}},
author = {{Höglund, Alva}},
language = {{eng}},
note = {{Student Paper}},
title = {{Entanglement Witnesses Implemented by Quantum Extreme Learning Machines}},
year = {{2025}},
}