Estrategias de aprendizaje automático para discriminación de estados fotónicos

Abstract

El primer objetivo de este trabajo será estudiar el uso de técnicas de aprendizaje automático, para la discriminación de estados coherentes en canales reales. Para completar este objetivo, en el trabajo se repasarán los fundamentos de la mecánica cuántica, enfocándonos a dar una breve descripción de la computación cuántica en variables continuas.Una vez estudiado esto, describiremos un problema canónico de la literatura, donde las comunicaciones se hacen mediante la discriminación de estados con fases diferentes. De esta forma, se verán esquemas para diferenciarlos, como son las detecciones Homodinas, Kennedy, Kennedy optimizadas y Dolinar, comparando así las probabilidades de éxito de cada una en canales ideales. Posteriormente, se modelarán diferentes fuentes de fondo, característico en comunicaciones reales, observando así cambios en las probabilidades de éxito y variaciones en los parámetros óptimos del método de discriminación empleado. Esto motivará el uso de técnicas de aprendizaje automático que realizan optimizaciones a partir de medidas directas en vez de un modelo teórico, debido a que suele ser imposible una correcta caracterización de todos los fondos presentes en una comunicación. Para poder comenzar a implementar este tipo de optimizaciones, tendremos que estudiar la teoría necesaria para la implementación de los diferentes agentes optimizadores y como evolucionan las decisiones tomadas. Luego de sentar estos conceptos, se verán 3 implementaciones de inteligencias artificiales para la calibración de un detector de tipo Kennedy en canales reales. Se discutirán las ventajas de las diferentes implementaciones en lo referente a tiempos de entrenamiento y formas de adaptarse a cambios en el entorno. En primer lugar, se seguirá a un agente ciego al entorno, el cual tendrá una rápida convergencia y con decisiones prácticamente iguales al límite teórico. Pero este agente no podrá adaptarse a ningún cambio en el sistema, teniendo que ser entrenado cada vez que este evoluciona. Luego se verá un agente que toma como observación al |α|, pudiendo así adaptarse a variaciones en la intensidad del estado enviado. La última inteligencia será diseñada teniendo en cuenta que ninguno de los agentes descritos anteriormente se pueden adaptar a cambios en el fondo. Para mejorar este aspecto se permitió a un último agente utilizar como observación a todos los parámetros obtenidos de una serie de experimentos anteriores.