نبذة مختصرة : [eng] Quantum photonic technologies have achieved considerable success across a range of disciplines, including quantum computing, quantum communications, and quantum metrology. Conversely, in the current era of information, the ability to discern patterns within voluminous data sets is highly sought after, with Machine Learning (ML) having emerged as a powerful solution to address this challenge. The processing speed of photonic hardware, in conjunction with the potential for computation enhancement resulting from quantum properties, positions quantum photonics as a promising platform for the implementation of ML algorithms. In this thesis, we focus on reservoir computing (RC) as an ML framework that is suitable for time series processing. It provides fast and energy-efficient training in comparison to more conventional methods and is also appropriate for physical implementations. In this thesis, we explore the possibilities brought by quantum photonic setups in the field of quantum RC. Specifically, we propose and study different platform designs that are able to perform different temporal benchmark tasks by providing tunable memory and nonlinearity. Furthermore, we leverage the capabilities of state-of-the-art quantum photonic hardware and identify novel strategies to address key challenges in RC in quantum substrates, as well as expand the potential of quantum machine learning. Firstly, an approach is provided to overcome some of the limitations of quantum projective measurements, thereby enabling information processing in real time. This is achieved by generating a physical ensemble of quantum reservoirs that recirculate through an optical fiber inside a feedback loop. We investigate the detrimental effects of sampling noise due to finite ensembles and provide a strategy to mitigate them. Secondly, the consequences of increasing quantum squeezing in the dynamics of such setups were studied, and it was found that it monotonically improves the noise robustness of the platforms in realistic scenarios. Finally, we propose a novel design in which photonic cluster states, a specific kind of highly entangled quantum network, are used as resources to implement quantum RC. In this configuration, external input information is encoded into the quantum network via quantum teleportation by engineering the measurement basis of the protocol. Furthermore, the platform has the capacity to implement global quantum gates through local operations (single-mode measurements), thus establishing the foundation for distributed quantum ML.
نبذة مختصرة : [cat] Les tecnologies fotòniques quàntiques han assolit èxits considerables en diverses disci- plines, com ara la computació quàntica, les comunicacions quàntiques i la metrologia quàntica. En canvi, en l’era actual de la informació, la capacitat de discernir patrons dins de conjunts de dades voluminoses és molt valorada, i l’Aprenentatge Automàtic (Machine Learning, ML) ha emergit com una solució potent per afrontar aquest repte. La velocitat de processament del maquinari fotònic, conjuntament amb el potencial d’amplificació computacional derivat de les propietats quàntiques, posiciona la fotònica quàntica com una plataforma prometedora per a la implementació d’algorismes de ML. En aquesta tesi, ens centrem en la computació de reservori (reservoir computing, RC) com a marc d’ML adequat per al processament de sèries temporals. Proporciona un entrenament ràpid i eficient en termes d’energia en comparació amb mètodes més convencionals, i també és apropiat per a implementacions físiques. En aquesta tesi, explorem les possibilitats que ofereixen les configuracions fotòniques quàntiques en el camp del RC quàntic. Con- cretament, proposem i estudiem diferents dissenys de plataformes capaces de realitzar diferents tasques de referència temporals proporcionant memòria i no-linealitat ajusta- bles. A més, aprofitem les capacitats del maquinari fotònic quàntic d’última generació i identifiquem estratègies noves per abordar reptes clau del RC en substrats quàntics, així com per expandir el potencial de l’aprenentatge automàtic quàntic. Primerament, es proposa un enfocament per superar algunes de les limitacions de les mesures pro- jectives quàntiques, permetent així el processament d’informació en temps real. Això s’aconsegueix generant un conjunt físic de quantum reservoirs que recirculen a través d’una fibra òptica dins d’un bucle de retroalimentació. Investigam els efectes nocius del soroll de mostreig degut a conjunts finits i proporcionam una estratègia per mitigar-los. En segon lloc, es van estudiar les conseqüències d’incrementar la compressió quàntica en la dinàmica d’aquestes configuracions, i es va trobar que això millora de manera monòtona la robustesa al soroll de les plataformes en escenaris realistes. Finalment, proposem un disseny innovador en què els estats cluster fotònics, una classe específica de xarxa quàntica altament entrellaçada, s’utilitzen com a recursos per implementar RC quàntic. En aquesta configuració, la informació d’entrada externa s’encoda a la xarxa quàntica mitjançant teleportació quàntica, dissenyant la base de mesura del protocol. A més, la plataforma té la capacitat d’implementar portes quàntiques globals mitjançant operacions locals (mesures de mode únic), establint així les bases per a un aprenentatge automàtic quàntic distribuït.
[spa] Las tecnologías fotónicas cuánticas han logrado un éxito considerable en diversas disci- plinas, incluyendo la computación cuántica, las comunicaciones cuánticas y la metrología cuántica. Por otro lado, en la actual era de la información, la capacidad para identificar patrones dentro de grandes conjuntos de datos es altamente demandada, y el Aprendiza- je Automático (Machine Learning, ML) ha emergido como una solución poderosa para abordar este desafío. La velocidad de procesamiento del hardware fotónico, junto con el potencial de mejora computacional derivado de las propiedades cuánticas, posiciona a la fotónica cuántica como una plataforma prometedora para la implementación de algoritmos de ML. En esta tesis, nos centramos en la computación de reservorio (reser- voir computing, RC) como un marco de ML adecuado para el procesamiento de series temporales. Este proporciona un entrenamiento rápido y energéticamente eficiente en comparación con métodos más convencionales, y también es adecuado para implementa- ciones físicas. En esta tesis, exploramos las posibilidades que ofrecen las configuraciones fotónicas cuánticas en el campo del RC cuántico. En concreto, proponemos y estudiamos diferentes diseños de plataformas capaces de llevar a cabo distintas tareas temporales de referencia, proporcionando memoria y no linealidad ajustables. Además, aprovechamos las capacidades del hardware fotónico cuántico de última generación e identificamos estrategias novedosas para abordar desafíos clave del RC en sustratos cuánticos, así como para ampliar el potencial del aprendizaje automático cuántico. En primer lugar, se propone un enfoque para superar algunas de las limitaciones de las mediciones proyectivas cuánticas, permitiendo así el procesamiento de información en tiempo real. Esto se logra generando un conjunto físico de reservorios cuánticos que recirculan a través de una fibra óptica dentro de un bucle de retroalimentación. Investigamos los efectos perjudiciales del ruido de muestreo debido a conjuntos finitos y proponemos una estrategia para mitigarlos. En segundo lugar, se estudiaron las consecuencias de aumentar la compresión cuántica en la dinámica de estas configuraciones, y se encontró que esto mejora de forma monótona la robustez frente al ruido de las plataformas en escenarios realistas. Finalmente, proponemos un diseño novedoso en el que los estados cluster fotónicos, un tipo específico de red cuántica altamente entrelazada, se utilizan como recurso para implementar RC cuántico. En esta configuración, la información de entrada externa se codifica en la red cuántica mediante teleportación cuántica, diseñando adecuadamente la base de medición del protocolo. Además, la plataforma tiene la capaci- dad de implementar puertas cuánticas globales mediante operaciones locales (mediciones de un solo modo), estableciendo así las bases para un aprendizaje automático cuántico distribuido.
Doctorat en Física
Processing Request
No Comments.