Técnicas de aprendizaje automático para discriminación de estados de la luz

TOMÁS CROSTA; MATÍAS BILKIS; LORENA REBÓN

Congreso; 108a Reunión de la Asociación Física Argentina; 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 estandarizada. En particular, esta información puede ser codificada en 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 son ortogonales entre sí, y siguiendo 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 la calibración óptima en una detección de tipo Kennedy sobre canales reales. La inteligencia empleada es de aprendizaje reforzado, utilizando la probabilidad de discriminación como recompensa y está basada en una optimización que sigue parcialmente la dirección del gradiente.Esta inteligencia será entrenada en la simulación de una comunicación libre de fondo utilizando la librería Strawberryfields. Finalmente, se observarán los cambios en un agente en diferentes momentos de su entrenamiento y se comparará con una optimización numérica basada en un modelo. 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.