L'apprendimento automatico aiuta la modellazione classica dei sistemi quantistici | Rivista Quanti

Comprendere l’universo quantistico non è una cosa facile. Le nozioni intuitive di spazio e tempo si sgretolano nel minuscolo regno della fisica subatomica, consentendo comportamenti che sembrano, alla nostra sensibilità macro, decisamente strani.

Computer quantistici dovrebbe permetterci di sfruttare questa stranezza. Tali macchine potrebbero teoricamente esplorare le interazioni molecolari per creare nuovi farmaci e Materiale. Ma forse la cosa più importante è che il mondo stesso è costruito su questo universo quantistico: se vogliamo capire come funziona, probabilmente abbiamo bisogno di strumenti quantistici.

Comunque attuale dispositivi quantistici a breve termine sono ancora lontani dal mantenere quella promessa, poiché non possono eseguire in modo affidabile un gran numero di interazioni quantistiche. Fino a quando i ricercatori non riusciranno a superare questo problema, i computer classici rimarranno il modo migliore per risolvere i problemi del mondo reale, per quanto inefficiente lo facciano.

Ma forse esiste una soluzione alternativa, una sorta di compromesso quantistico. Una serie di articoli recenti suggerisce che potrebbe essere possibile prendere il sistema quantistico che si desidera comprendere, inserire le sue proprietà in macchine classiche e utilizzare tali macchine per prevedere il comportamento del sistema quantistico. Combinando un nuovo modo di modellare i sistemi quantistici con algoritmi di apprendimento automatico sempre più sofisticati, i ricercatori hanno stabilito un metodo per le macchine classiche per modellare e prevedere il comportamento quantistico.

"Penso che il lavoro sia molto significativo", ha detto Yi-Zhuang Tu, un fisico dell'Università della California, San Diego, che non è affiliato agli studi. "Cambierà radicalmente il campo, nel senso che è il modo giusto di combinare calcolo quantistico e apprendimento automatico."

Cosa impariamo dall'ombra

I ricercatori sono stati cerca utilizzare i computer classici per prevedere gli stati quantistici almeno dal 1989. Tipicamente, un sistema quantistico con n i qubit, l'equivalente quantistico di un bit, possono essere rappresentati da un classico array di 2ⁿ numeri. La dimensione di questo array aumenta esponenzialmente con il numero di qubit, il che significa che la potenza di calcolo richiesta diventa rapidamente proibitiva.

Alla fine del 2017, l'informatico Scott Aaronson suggerimenti che non è necessario conoscere la rappresentazione classica completa di un sistema quantistico. Invece, potresti essere in grado di conoscere un dato stato quantistico e prevederne le proprietà utilizzando solo un sottoinsieme della rappresentazione.

Poi nel 2020, i fisici Hsin Yuan (Robert) Huang ed Richard Kueng ha aperto la strada ad un approccio pratico al metodo di Aaronson. La loro tecnica ha permesso loro di prevedere molte caratteristiche dello stato quantistico di un sistema da pochissime misurazioni utilizzando metodi classici. Il processo prevedeva la costruzione di un “ombra classica" da queste misurazioni: una succinta rappresentazione classica del sistema quantistico, simile a un'ombra reale, che trasmette molte informazioni - ma non tutto - sull'oggetto che la proietta.

"Bisogna abbassare la vista e provare solo a prevedere alcune osservabili quantistiche", ha detto Giovanni Preskill, un fisico teorico del California Institute of Technology che ha lavorato con Huang e Kueng al progetto.

Con questo modello, se si desidera prevedere un certo numero di proprietà del sistema, sono necessarie misurazioni appena sufficienti, in particolare un numero di misurazioni che scala come il logaritmo del numero di proprietà. "L'idea di Robert è brillante", ha detto Xi Chen, un collega di Preskill al Caltech che non era associato allo studio. "Questo ci darà un grande vantaggio nell'imparare il sistema eseguendo un campionamento casuale."

L’approccio ha già riscontrato un certo successo. Gli scienziati hanno già utilizzato queste ombre classiche per condurre l' simulazione più grande di chimica quantistica mai intrapreso, utilizzando un algoritmo classico con un computer quantistico rumoroso e soggetto a errori per studiare le forze sperimentate dagli atomi in un cristallo di diamante.

Ma forse potrebbe fare di più. Huang e altri volevano studiare un sistema quantistico non solo in un momento statico – come in un cristallo – ma mentre cambiava nel tempo. Ciò fornirebbe ai ricercatori molte più informazioni su come si comportano questi sistemi, al costo di molti più dati da elaborare. Fortunatamente, a questo punto un altro strumento era diventato popolare per tale compito: l’apprendimento automatico.

Formazione dei modelli

Negli ultimi anni, i modelli classici di machine learning hanno fatto passi da gigante nel miglioramento delle previsioni automatizzate. Ma quando i ricercatori hanno provato a usarli per risolvere problemi quantistici, ha detto Preskill, i modelli spesso hanno funzionato correttamente, ma la loro accuratezza non è stata garantita. L'apprendimento automatico in genere procede per tentativi ed errori, quindi avresti bisogno del giusto tipo di dati (e molti) per ottenere informazioni utili.

A carta di Huang e collaboratori di Google Quantum AI hanno sottolineato questa intuizione: gli algoritmi classici di apprendimento automatico addestrati con sufficienti dati quantistici possono essere abbastanza potenti dal punto di vista computazionale per modellare i sistemi quantistici.

Ma c'era ancora un problema. Questi modelli di apprendimento automatico erano ancora fondamentalmente classici, il che significa che è impossibile per loro elaborare dati veramente quantistici e produrre stati quantistici. Per aggirare questo problema, Huang e colleghi hanno mostrato in a Scienze articolo dell'anno scorso su come utilizzare le ombre classiche per convertire le informazioni quantistiche in dati classici. Potrebbero quindi addestrare un modello di apprendimento automatico per prevedere le proprietà di nuovi sistemi quantistici.

"Il vantaggio che creano è una mappa quantistica tra gli input [quantici] e gli output [quantici], entrambi sono ombre classiche, poiché non avrai mai successo se esplode fino allo stato quantistico completo", ha affermato Jarrod McClean, uno scienziato informatico presso Google Quantum AI.

Ciò sembrava fattibile nella pratica, poiché il modello necessitava solo di un numero polinomiale di punti dati per ottenere previsioni accurate. Sfortunatamente, non era ancora l'ideale. "Il polinomio era molto grande", ha detto Huang. Fondamentalmente, era troppo difficile ottenere così tanti dati di addestramento.

L'ultimo pezzo del puzzle è arrivato in a laboratorio nel luglio di quest'anno presso il Simons Institute for the Theory of Computing presso l'Università della California, Berkeley. Lì, uno studente universitario del gruppo Preskill di nome Laura Lewis dimostrato un modo per aggirare l'ostacolo.

Mentre i modelli precedenti erano agnostici riguardo alla geometria del sistema quantistico in studio, il lavoro di Lewis non lo era. Invece di cercare di tenere traccia delle interazioni tra ogni combinazione di qubit nel sistema, il suo algoritmo si è concentrato sull’interazione locale tra qubit situati uno accanto all’altro. Questo approccio ora necessitava di meno dati di addestramento – solo una funzione logaritmica del numero di qubit – per prevedere con precisione le proprietà del sistema quantistico, rendendolo finalmente praticamente fattibile.

Oltre le ombre

Con questi modelli, i ricercatori possono esplorare la composizione e il comportamento di sistemi quantistici sempre più complicati. Ma il risultato di Lewis potrebbe anche aiutare a migliorare questa linea di ricerca stessa: ora disponiamo di modi migliori per capire come ridurre i requisiti di scala per le previsioni future su altri sistemi quantistici.

Il lavoro di Lewis rivela "quanti dati [devono] essere raccolti da un sistema fisico per fare previsioni affidabili", ha affermato McClean.

Nel frattempo, Huang ha esplorato ulteriormente. Basandosi sul suo lavoro sulle ombre classiche e sull'apprendimento automatico, ha recentemente utilizzato un algoritmo migliorato per studiare i sistemi quantistici attivi (come la trasformazione di uno stato quantistico in un altro) con una quantità minore di dati. Preskill sospetta che sia solo l'inizio. “Ciò che mi aspetto nei prossimi cinque-dieci anni è che l’impatto principale dell’informatica quantistica non sarà rappresentato dalle applicazioni commercialmente importanti”, ha affermato. "Sarà un'esplorazione scientifica."

Per ora, i nuovi metodi sviluppati da Huang e Lewis devono ancora essere rigorosamente testati in esperimenti di laboratorio. I sistemi sperimentali comportano un bagaglio aggiuntivo, inclusi errori di misurazione e imprecisioni, ha affermato Chen, che questi modelli non sono ancora in grado di gestire.

Ma anche se questo lavoro è ancora in corso, queste ombre classiche dovrebbero consentire ai ricercatori di migliorare la loro comprensione del regno della teoria quantistica in modi nuovi. Le ombre classiche sono sufficienti per catturare la complessità quantistica o abbiamo bisogno di un approccio completamente quantistico? Esistono proprietà o dinamiche quantistiche che rimarranno per sempre fuori portata? "Il loro lavoro è stato pionieristico per iniziare a pensare a queste domande", ha detto Presto ha vinto Choi, un fisico del Massachusetts Institute of Technology.

E forse un giorno, ha detto Preskill, i ricercatori raccoglieranno dati sperimentali sufficienti per essere in grado di prevedere caratteristiche del sistema che non sono mai state riscontrate in laboratorio. “Questo è uno degli obiettivi più grandi dell’applicazione dell’apprendimento automatico alla fisica quantistica”, ha affermato. “E siamo stati in grado di dimostrare che, almeno in alcuni contesti, è possibile fare previsioni accurate”.

Nota del redattore: Scott Aaronson è un membro di Quanta Magazine'S Comitato consultivo.