Estrategias de aprendizaje automático para la discriminación de estados fotónicos

TOMÁS CROSTA; LORENA REBÓN; MATÍAS BILKIS

Workshop; CUANTOS 5; 2023

El uso de estados fotónicos para codificar y transmitir información es la estrategia empleada para realizar comunicaciones de carácter cuántico, debido a que pueden recorrer grandes distancias interactuando débilmente con el entorno, y a la posibilidad de ser manipulados a temperatura ambiente y con tecnología ya estándar. En particular, esta información puede ser codificada en los estados coherentes de la luz (autoestados del operador de destrucción), los cuales son emitidos al encender un láser. Sin embargo, la lectura de esta información, codificada en un conjunto de estados coherentes, presenta un inconveniente fundamental: los estados coherentes no sonortogonales entre sí, y según el principio de no clonación, dos estados no ortogonales no pueden ser distinguidos de manera determinista. Por esta razón, existen métodos para aumentar la probabilidad de discriminación de estos estados, como la detección Homodina, Kennedy o Dollinar. Pero en el caso de sistemas ruidosos, estos métodos de detección ven reducida su eficiencia rápidamente, ya que no tienen en cuenta cambios en el estado inicial. En esta contribución, se explorará la viabilidad de implementar técnicas de aprendizaje automático para lacalibración óptima en una detección de tipo Kennedy. La inteligencia empleada es de aprendizaje reforzado, utilizando la probabilidad de discriminación como recompensa y está basada en la optimización siguiendo la dirección del gradiente aprovechando el teorema de la política primaria. Esta inteligencia será entrenada en la simulación de una comunicación libre de fondo utilizando la librería Strawberryfields. Posteriormente, se observará la evolución en el rendimiento de la misma en diferentes momentos y se comparará con una optimización numérica. El objetivo de este primer paso es obtener una estimación del rendimiento esperado de los algoritmos de aprendizaje automático en la detección de señales reales, donde los fondos son difíciles de modelar analíticamente.