Detailansicht
Experimental photonic quantum machine learning
Zhenghao Yin
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doktoratsstudium Naturwissenschaften: Physik
Betreuer*in
Philip Walther
DOI
10.25365/thesis.80996
URN
urn:nbn:at:at-ubw:1-25910.15327.625987-6
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Im Zeitalter der noisy intermediate-scale quantum Ära (NISQ) zeigt quantum machine learning bedeutende potenzielle Vorteile in vielen Quantenanwendungen, wie der Lösung linearen Gleichungen, variationalen Quantenalgorithmen und Quantenchemie. Derzeit stützen sich die meisten Verfahren des quantenmaschinellen Lernens auf universelle Quantencomputer-Architekturen, während die Forschung zu photonischen Systemen relativ begrenzt bleibt. Im Gegensatz dazu bieten Photonen Vorteile wie lange Kohärenzzeiten, Raumtemperaturbetrieb und großskalige Quanteninterferenz, wie in Bosonensampling-Experimenten gezeigt. Wie jedoch Einzelphotonen für skalierbare und robuste quantenmaschinelle Lernaufgaben genutzt werden können, bleibt weiterhin eine offene Frage. Aufbauend auf dieser Grundlage und inspiriert von Quanteninterferenz und Photonen-Ununterscheidbarkeit führen wir eine Quanten-Kernel-Methode ein und analysieren Skalierungsgesetze im photonischen quantenmaschinellen Lernen. Die Quanten-Kernel-Methode kodiert klassische Daten in hochdimensionale Fock-Zustand und erweitert dadurch den Merkmalsraum sowie die Datenrepräsentationsfähigkeiten. Wir vergleichen die Quanten-Kernel-Methode auch mit verschiedenen klassischen Kernel-Ansätzen und zeigen experimentell, dass es mit der ersten Methode einen Leistungsboost bei den repräsentativen Datensätze gibt. Darüber hinaus etablieren wir hier ein theoretisches Photonenzahl-Skalierungsgesetz, welches zeigt, dass die Erhöhung der Photonenzahl die Lernkapazität und Dateneffizienz in Lernaufgaben verbessert. Dieses Ergebnis wird vorläufig durch Experimente zum Lernen unitärer Matrizen und Metriklernen validiert. Schließlich untersuchen wir die Anwendung des photonischen quantenmaschinellen Lernens auf die natürliche Sprachverarbeitung und diskutieren die Aussichten des Quanten-Edge-Computing, wobei wir ihre Bedeutung für zukünftige weltraumbasierte Anwendungen hervorheben. Zusammenfassend liefert die in dieser Arbeit präsentierte Forschung eine theoretische Grundlage und experimentelle Evidenz für die skalierbare Implementierung des photonischen quantum machine learning und offenbart dessen potenzielle Vorteile und Anwendungsaussichten in praktischen Aufgaben.
Abstract
(Englisch)
In the noisy intermediate-scale quantum era, quantum machine learning demonstrates significant potential advantages in many quantum applications, such as solving linear equations, variational quantum algorithms, and quantum chemistry. Currently, most quantum machine learning schemes rely on universal quantum computing architectures, while research on photonic systems remains relatively limited. In contrast, photons offer advantages such as long coherence times, room-temperature operation, and large-scale quantum interference, as showcased in boson sampling experiments. However, how to utilize single photons for scalable and robust quantum machine learning tasks remains an open question. Building on this foundation, and inspired by quantum interference and photon indistinguishability, we introduce a quantum kernel method and analyze scaling laws in photonic quantum machine learning. The quantum kernel method encodes classical data into high-dimensional photon number states, thereby expanding the feature space and enhancing data representation capabilities. We also benchmark the quantum kernel method against various classical kernel approaches and experimentally verify quantum-enhanced performance on representative datasets. Furthermore, we theoretically establish a photon number scaling law, showing that increasing the photon number improves learning capacity and data efficiency in learning tasks. This result is preliminarily validated through experiments on unitary matrix learning and metric learning. Finally, we investigate the application of photonic quantum machine learning to natural language processing and discuss the prospects of quantum edge computing, highlighting their significance for future space-based applications. In summary, the work presented in this thesis provides a theoretical foundation and experimental evidence for the scalable implementation of photonic quantum machine learning, revealing its potential advantages and application prospects in practical tasks.
Schlagwörter
Schlagwörter
(Deutsch)
Quanteninformation Quantenmaschinelles Lernen Quantenoptik
Schlagwörter
(Englisch)
Quantum Information Quantum Machine Learning Quantum Optics
Autor*innen
Zhenghao Yin 
Haupttitel (Englisch)
Experimental photonic quantum machine learning
Publikationsjahr
2025
Umfangsangabe
156 Seiten
Sprache
Englisch
Beurteiler*innen
Peter McMahon ,
Alexander Lvovsky
Klassifikationen
33 Physik > 33.23 Quantenphysik ,
33 Physik > 33.38 Quantenoptik. nichtlineare Optik
AC Nummer
AC17849504
Utheses ID
78669
Studienkennzahl
UA | 796 | 605 | 411 |