Nel vasto panorama della fisica moderna, esiste una sfida fondamentale: comprendere come si comporti un sistema complesso quando possiamo vedere solo una minuscola frazione di esso. Immaginate un computer quantistico, una macchina composta da molte particelle minuscole chiamate qubit. Per sapere come funziona questa macchina, gli scienziati devono solitamente misurare ogni singola parte, ma nel mondo quantistico, osservare tutto insieme è spesso impossibile o distrugge le stesse informazioni che cercano. Inveve, i ricercatori hanno spesso solo indizi parziali, come il comportamento medio di alcune particelle vicine. La domanda diventa: possiamo ricostruire l'intero stato nascosto del sistema partendo da questi limitati indizi locali? Questo è il cuore di un problema noto come inferenza dell'entropia massima. Esso si basa su un principio guida della metà del XX secolo che suggerisce che, quando mancano informazioni complete, la stima più onesta per lo stato di un sistema sia quella che assume il minor ordine nascosto, o in termini tecnici, lo stato con la più alta incertezza possibile. Questo approccio non è solo una curiosità teorica; è la chiave per apprendere le regole sottostanti, o gli Hamiltoniani, che governano il modo in cui operano le macchine quantistiche, un compito essenziale per costruire migliori computer quantistici e comprendere nuovi materiali.

Per decenni, gli scienziati hanno sviluppato potenti strumenti matematici per risolvere questo enigma per i sistemi classici, come i gas o i semplici magneti. Tuttavia, quando questi strumenti vengono applicati al regno quantistico, si scontrano con un muro. La difficoltà nasce dal fatto che le particelle quantistiche non si comportano come monete o dadi indipendenti; le loro proprietà sono profondamente intrecciate in un modo che sfida la semplice addizione, una caratteristica nota come non commutatività. Questa sottile differenza rende i normali scorciatoie matematiche utilizzate per i problemi classici inefficaci o estremamente lente quando applicate ai sistemi quantistici. Un team di ricercatori è intervenuto ora per colmare questo divario. Hanno preso due algoritmi ben noti, uno che scala iterativamente le ipotesi e un altro che segue il percorso più ripido verso il basso, e li hanno adattati con successo per il mondo quantistico. Ancora più importante, hanno dimostrato che queste nuove versioni quantistiche funzionano in modo affidabile e hanno sviluppato un modo per farle girare migliaia di volte più velocemente.

I ricercatori hanno iniziato traducendo la logica dell'apprendimento classico nel linguaggio della meccanica quantistica. Si sono concentrati su un compito specifico: date una lista di misurazioni locali effettuate da un sistema quantistico, volevano trovare l'insieme dei parametri che definisce il paesaggio energetico del sistema. Nel mondo classico, questo è come determinare la temperatura e la pressione di un gas osservando poche molecole. Nel mondo quantistico, è come cercare di dedurre le regole di un gioco complesso osservando solo alcune mosse, dove le mosse stesse cambiano le regole. Il team ha introato un nuovo algoritmo chiamato Quantum Iterative Scaling (Scaling Iterativo Quantistico). Questo metodo funziona confrontando costantemente ciò che la previsione attuale prevede che il sistema dovrebbe essere rispetto a ciò che è stato effettivamente misurato. Se la previsione è errata, l'algoritmo corregge la sua ipotesi. Sebbene questo sembri simile ai metodi classici, la matematica dietro di esso è molto più intricata perché gli operatori quantistici coinvolti non commutano, il che significa che l'ordine in cui vengono applicati è importante. I ricercatori hanno dimostrato che, nonostante questa complessità, l'algoritmo è garantito convergere alla risposta corretta, a condizione che il sistema soddisfi determinate condizioni standard.

Per capire quanto velocemente funziona questo nuovo metodo, il team ha eseguito un'analisi matematica rigorosa. Hanno esaminato il "limite di velocità" dell'algoritmo studiando quanto l'errore diminuisce con ogni passaggio. Nei problemi classici, questa analisi è semplice, ma nel caso quantistico, la natura non commutativa delle particelle rende la matematica significativamente più difficile. I ricercatori sono riusciti a stabilire limiti superiori e inferiori stretti sulla velocità di convergenza. Hanno dimostrato che l'algoritmo non vaga semplicemente senza meta; si muove costantemente verso la soluzione con un tasso prevedibile. La loro analisi ha rivelato che, per interazioni locali, l'errore diminuisce geometricamente, il che significa che l'algoritmo si avvicina alla verità con un fattore costante a ogni iterazione. Questa prova è un traguardo tecnico significativo perché conferma che la versione quantistica del problema è risolvibile in un tempo ragionevole, piuttosto che essere un compito impossibile che richiederebbe un tempo infinito per essere computato.

Tuttavia, sapere che un algoritmo funziona è solo metà della battaglia; sapere come renderlo abbastanza veloce da essere utile è l'altra metà. I ricercatori hanno scoperto che, sebbene il loro algoritmo quantistico di base sia matematicamente solido, può essere lento nella pratica, richiedendo centinaia o anche miglia di passaggi per raggiungere un alto livello di accuratezza. Per risolvere questo, si sono rivolti a una classe di tecniche note come metodi quasi-Newton. Queste sono euristiche intelligenti, o scorciatoie intelligenti, che sono state utilizzate per decenni nell'informatica classica per accelerare l'ottimizzazione. Il team ha applicato due tipi specifici di questi acceleratori ai loro algoritmi quantistici. Il primo, noto come mixing di Anderson, analizza la cronologia degli ultimi passaggi e usa queste informazioni per prevedere un passo successivo molto migliore, saltando efficacemente i progressi lenti e incrementali. Il secondo, chiamato L-BFGS, è un metodo che costruisce un'approssimazione della forma del paesaggio per prendere percorsi più diretti verso la soluzione.

I risultati dell'applicazione di questi acceleratori sono stati drammatici. Nelle simulazioni numeriche, lo standard algoritmo quantistico richiedeva circa 1.500 passaggi per ridurre l'errore a un livello molto piccolo. Al contrario, le versioni accelerate raggiungevano lo stesso livello di accuratezza in meno di 20 passaggi. Questo rappresenta un miglioramento di due ordini di grandezza, un'accelerazione che trasforma un metodo da essere teoricamente interessante a essere praticamente praticabile. I ricercatori hanno testato questi metodi su vari tipi di sistemi quantistici, incluse catene di particelle interagenti e configurazioni più complesse, e hanno scoperto che le versioni accelerate superavano costantemente l'approccio standard. Hanno anche confrontato il loro nuovo metodo di scaling iterativo quantistico con un approccio standard di discesa del gradiente, che è un altro modo comune per risolvere problemi di ottimizzazione. Hanno scoperto che, anche senza accelerazione, il loro metodo di scaling iterativo quantistico era generalmente più efficiente, ma l'aggiunta delle tecniche quasi-Newton rendeva la differenza tra un calcolo lento e una soluzione rapida.

Le implicazioni di questo lavoro vanno oltre il semplice calcolo più veloce. Man mano che i computer quantistici crescono in dimensioni e complessità, la capacità di apprendere le loro regole interne da dati limitati diventa critica. L'hardware quantistico attuale è ancora nelle sue fasi iniziali, incline agli errori e limitato nella scala. In questo ambiente, le risorse computazionali sono preziose e scarse. Ogni passaggio extra che un algoritmo compie consuma tempo ed energia che potrebbero essere meglio impiegati in altri compiti. Dimostrando che questi algoritmi convergono in modo affidabile e mostrando come accelerarli, i ricercatori hanno fornito uno strumento per un apprendimento quantistico più efficiente. Ciò è particolarmente importante per compiti come l'apprendimento dell'Hamiltoniana, dove gli scienziati cercano di fare l'ingegneria inversa delle regole energetiche di un sistema quantistico per verificarne le prestazioni o per scoprire nuovi fenomeni fisici. Lo studio suggerisce che, utilizzando questi metodi accelerati, possiamo sfruttare al massimo le nostre attuali, imperfette macchine quantistiche, estraendo la massima informazione con il minimo sforzo.

L'articolo conclude sottolineando che, mentre la prova teorica di convergenza è un grande passo avanti, l'accelerazione pratica è ciò che probabilmente ne guiderà l'adozione nel campo. I ricercatori osservano che le tecniche che hanno utilizzato, come il mixing di Anderson e L-BFGS, sono state originariamente sviluppate per computer classici che erano anch'essi instabili e soggetti a errori nei loro primi giorni. Proprio come quelle prime euristiche hanno aiutato l'informatica classica a superare le sue limitazioni iniziali, queste stesse tecniche potrebbero essere essenziali per sbloccare il potenziale dell'informatica quantistica oggi. Il lavoro non pretende di aver risolto ogni problema nell'apprendimento quantistico, né suggerisce che i metodi funzionino per ogni possibile tipo di sistema quantistico senza restrizioni. Inveve, offre un quadro robusto e provato per una specifica e altamente importante classe di problemi, dimostrando che, con gli strumenti matematici giusti, possiamo navigare nelle complessità non commutative del mondo quantistico con sorprendente velocità e precisione.