⚛️ quantum physics

Method for noise-induced regularization in quantum neural networks

Questo articolo dimostra che, al contrario della comune ricerca sulla mitigazione del rumore, un livello di rumore opportunamente sintonizzato può agire come regolarizzatore nei quantum neural networks, migliorando la loro capacità di generalizzazione e riducendo l'errore di validazione in compiti di regressione simulati su hardware quantistico reale.

Autori originali: Viacheslav Kuzmin, Wilfrid Somogyi, Ekaterina Pankovets, Alexey Melnikov

Pubblicato 2026-02-17

📖 4 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Viacheslav Kuzmin, Wilfrid Somogyi, Ekaterina Pankovets, Alexey Melnikov

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover insegnare a un bambino a riconoscere le mele. Se gli mostri solo foto perfette di mele rosse su sfondo bianco, il bambino potrebbe imparare a memoria quella specifica immagine e pensare che qualsiasi oggetto rosso sia una mela. Quando poi gli mostri una mela verde o una foto con un'ombra, si confonde. Questo è quello che in informatica chiamiamo overfitting (sovradattamento): il modello "impara a memoria" i dati di allenamento invece di capire la regola generale.

Di solito, per evitare questo, i programmatori aggiungono un po' di "disturbo" o rumore ai dati, costringendo il cervello artificiale a essere più flessibile e meno rigido. È come se, mentre studi, qualcuno ti facesse un po' di rumore sottofondo: impari a concentrarti sull'essenziale invece di memorizzare ogni dettaglio silenzioso.

Il paradosso quantistico

Nel mondo dei computer quantistici, c'è una regola d'oro: il rumore è il nemico. I computer quantistici sono come farfalle di vetro: sono incredibilmente potenti ma fragilissimi. Qualsiasi interferenza (rumore, calore, vibrazioni) fa crollare il loro calcolo. Per anni, gli scienziati hanno cercato di eliminare ogni tipo di rumore per rendere questi computer perfetti.

Tuttavia, in questo studio, gli autori (Viacheslav Kuzmin e il suo team della Terra Quantum AG) hanno scoperto qualcosa di sorprendente: un po' di rumore, se dosato con cura, può diventare un superpotere.

L'analogia del "Rumore come Allenatore"

Immagina un atleta che si allena per una maratona.

Senza rumore (Computer perfetto): L'atleta corre su un tapis roulant liscio e perfetto. Impara a correre perfettamente su quella superficie, ma appena esce all'aperto su un terreno sconnesso, cade.
Con troppo rumore: L'atleta corre su un terreno così accidentato che non riesce nemmeno a muoversi.
Con il "giusto" rumore (La scoperta di questo paper): L'atleta si allena su un terreno leggermente irregolare. Questo lo costringe a sviluppare un equilibrio migliore, a usare più muscoli e a diventare un corridore più versatile. Quando poi corre sulla strada vera, è molto più bravo di chi si è allenato solo sul tapis roulant perfetto.

Gli scienziati hanno scoperto che nei Reti Neurali Quantistiche (QNN), aggiungendo intenzionalmente un livello controllato di "rumore" (decoerenza) durante l'addestramento, il modello diventa molto più bravo a generalizzare, cioè a risolvere problemi nuovi che non ha mai visto prima.

Come funziona nella pratica?

Il team ha testato questa idea su due problemi reali:

Prevedere l'evoluzione del diabete basandosi su dati clinici.
Prevedere la resistenza del cemento basandosi sulla miscela degli ingredienti.

Hanno costruito un circuito quantistico (una sorta di "cervello" fatto di qubit) e hanno aggiunto tre tipi di "rumore" controllato:

Rumore di ampiezza: Come se l'energia del sistema "perdesse un po' di carica".
Rumore di fase: Come se il "tempo" o la sincronizzazione dei qubit si sfocasse leggermente.
Rumore di depolarizzazione: Come se i qubit si confondessero e cambiassero stato a caso.

Il risultato?
Hanno scoperto che c'è un "punto dolce" (un livello di rumore specifico). Se il rumore è zero, il modello impara a memoria i dati e fallisce sui nuovi. Se il rumore è troppo alto, il modello non impara nulla. Ma se il rumore è giusto, il modello impara la regola generale e commette meno errori sui dati di test.

È come se il rumore agisse come un regolatore di volume: abbassa il volume dei dettagli inutili (il "rumore" dei dati di allenamento) e alza il volume del segnale vero e proprio.

Perché è importante?

Attualmente, viviamo nell'era dei computer quantistici "rumorosi" (chiamati NISQ). Non possiamo ancora eliminare il rumore. Invece di combattere contro di esso con la forza, questo studio ci dice: accettalo e usalo.

Invece di spendere anni e risorse per creare computer quantistici perfettamente silenziosi (che forse non esisteranno mai), possiamo progettare algoritmi che sfruttano il rumore naturale dei computer attuali per diventare più intelligenti.

In sintesi

Questa ricerca ci insegna che a volte, per essere più bravi, non serve la perfezione. Serve un po' di caos controllato. Proprio come un artista che usa le imperfezioni della tela per creare un'opera d'arte più profonda, gli scienziati stanno imparando a usare le imperfezioni dei computer quantistici per creare intelligenze artificiali più robuste e affidabili.

È un cambio di paradigma: il rumore non è più un difetto da riparare, ma uno strumento da sintonizzare, proprio come si fa con la manopola del volume di una radio per trovare la stazione perfetta.

Titolo: Metodo di regolarizzazione indotta dal rumore nelle reti neurali quantistiche

1. Il Problema

Nel paradigma attuale del calcolo quantistico, l'attenzione è prevalentemente focalizzata sulla riduzione o mitigazione della decoerenza e del rumore, considerati ostacoli principali per l'esecuzione di algoritmi su dispositivi NISQ (Noisy Intermediate-Scale Quantum). Tuttavia, le Reti Neurali Quantistiche (QNN), specialmente nell'ambito dell'apprendimento automatico quantistico (QML), soffrono spesso di overfitting, ovvero la tendenza del modello a memorizzare i dati di addestramento (incluso il rumore) invece di apprendere i pattern sottostanti, compromettendo la capacità di generalizzazione su dati non visti.
Mentre nella meccanica quantistica classica il rumore è visto come un nemico, in alcuni contesti di ottimizzazione variazionale e classificazione quantistica è stato osservato che una piccola quantità di rumore può essere benefica (ad esempio, per evitare punti di sella o proteggere da attacchi avversari). Il problema centrale affrontato da questo lavoro è: come sfruttare attivamente il rumore intrinseco dell'hardware quantistico come strumento di regolarizzazione per migliorare la generalizzazione delle QNN?

2. Metodologia

Gli autori propongono un approccio sistematico per trattare il livello di rumore come un iperparametro ottimizzabile durante la fase di addestramento, analogamente alla regolarizzazione nelle reti neurali classiche (es. dropout o rumore aggiunto ai pesi).

Modello di Rumore: Lo studio si concentra su tre canali di rumore fondamentali descritti tramite operatori di Kraus:
1. Smorzamento di ampiezza (Amplitude-Damping - AD): Corrisponde alla perdita di energia verso l'ambiente (decadimento da $|1\rangle$ a $|0\rangle$ ).
2. Smorzamento di fase (Phase-Damping - PD): Distrugge la coerenza quantistica (contrazione della sfera di Bloch nel piano $x-y$ ).
3. Depolarizzazione (Depolarizing - DP): Il qubit subisce un errore (flip di bit, fase o entrambi) con una certa probabilità.
Architettura della QNN: Viene utilizzata un'ansatz standard composta da 4 qubit. Il circuito alterna strati di codifica dei dati (tramite porte $R_x$ ) e strati addestrabili (porte di rotazione generale $R$ e porte di entanglement $R_{xx}$ tra vicini). Il numero di ripetizioni di questi strati è indicato con $L$ .
Implementazione del Rumore Controllato:
- In simulazione: Vengono inseriti canali di rumore controllabili dopo ogni porta logica. L'intensità del rumore ( $\gamma$ ) è variata sistematicamente.
- In hardware reale (simulato): Per emulare il rumore su un processore IBM Kingston, gli autori hanno proposto due metodi:
  1. Tempo di attesa (Idle time): Aggiunta di un periodo di inattività ( $t_{wait}$ ) dopo ogni porta per permettere ai processi di rilassamento ( $T_1, T_2$ ) di agire.
  2. Rotazioni stocastiche: Aggiunta di porte $R_x$ con angoli estratti da una distribuzione gaussiana per simulare la depolarizzazione.
Dataset e Addestramento: Sono stati utilizzati due task di regressione:
1. Diabetes: Previsione dell'indice di progressione della malattia (442 campioni, 10 feature).
2. Concrete Compressive Strength: Previsione della resistenza del calcestruzzo (1030 campioni, 8 feature).
  I dati sono stati pre-processati con PCA e scalati. L'addestramento è stato eseguito utilizzando l'ottimizzatore Lion (o Adam per i gradienti) minimizzando l'Errore Quadratico Medio (MSE).

3. Contributi Chiave

Dimostrazione della Regolarizzazione Quantistica: Il lavoro dimostra empiricamente che l'introduzione di un livello ottimale di rumore (non nullo) nelle QNN riduce l'errore di validazione, migliorando la generalizzazione rispetto al caso "silenzioso" (rumore zero).
Analisi Fisica del Meccanismo: Gli autori collegano il miglioramento delle prestazioni alla regolarizzazione dello spazio dei parametri. Analizzando la traccia della Matrice di Informazione di Fisher (Fisher Information Matrix - FI), mostrano che il rumore sopprime le direzioni "acute" (sharp minima) nello spazio dei parametri, spingendo l'addestramento verso minimi piatti (flat minima). I minimi piatti sono noti per essere più robusti e generalizzare meglio.
Metodo Pratico per Hardware Reale: Viene proposto un protocollo concreto per implementare questa tecnica su hardware reale, trattando il rumore non come un difetto da correggere, ma come una risorsa da sintonizzare (ad esempio, variando i tempi di attesa o introducendo rotazioni stocastiche).

4. Risultati

Curva a U dell'Errore: I grafici dell'errore di validazione in funzione dell'intensità del rumore ( $\gamma$ $γ$ ) mostrano una chiara curva a "U".
- Per $\gamma \approx 0$ (nessun rumore), l'errore di validazione è più alto a causa dell'overfitting.
- Per $\gamma$ molto alti, l'errore aumenta drasticamente perché il segnale quantistico viene distrutto dal rumore eccessivo.
- Esiste un valore ottimale intermedio di $\gamma$ (tipicamente nell'ordine di $10^{-2}$ o $10^{-3}$ a seconda del canale e della profondità del circuito) dove l'errore di validazione raggiunge il minimo.
Confronto Training/Validazione: Mentre l'errore di training tende ad aumentare leggermente con l'aumento del rumore (a causa della difficoltà di ottimizzazione), l'errore di validazione diminuisce significativamente nel punto ottimale, confermando il miglioramento della generalizzazione.
Traccia di Fisher: È stata osservata una correlazione inversa tra il livello di rumore e la traccia della matrice di Fisher. All'aumentare del rumore, la traccia diminuisce, indicando una compressione dello spettro di Fisher e una riduzione della sensibilità del modello a piccole perturbazioni dei parametri.
Simulazione su Hardware IBM: La simulazione sul processore IBM Kingston (architettura Heron r2) ha confermato che è possibile ottenere valori ottimali di rumore (tramite tempi di attesa o rotazioni stocastiche) compatibili con le caratteristiche dell'hardware attuale, portando a una riduzione dell'MSE di validazione.

5. Significato e Implicazioni

Questo lavoro ribalta la narrativa tradizionale sul rumore quantistico. Invece di cercare di eliminarlo completamente (cosa spesso impossibile nell'era NISQ), suggerisce di sfruttarlo attivamente come strumento di regolarizzazione.

Vantaggio Pratico: Offre una via per migliorare le prestazioni delle QNN senza richiedere hardware a prova di errore (fault-tolerant), rendendo gli algoritmi più robusti sui dispositivi attuali.
Impatto sull'Algoritmo: Trasforma il rumore da un parametro fisso e dannoso a un iperparametro ottimizzabile, aprendo la strada a nuove strategie di addestramento ibrido.
Applicabilità: La metodologia è applicabile sia a simulatori che a QPU reali, suggerendo potenziali applicazioni in compiti industriali complessi come la previsione di serie temporali, l'elaborazione di immagini e la pianificazione, dove la generalizzazione è critica.

In sintesi, il paper stabilisce che il rumore quantistico, se opportunamente calibrato, agisce come un regolarizzatore naturale, permettendo alle reti neurali quantistiche di evitare l'overfitting e di generalizzare meglio i dati, un risultato fondamentale per lo sviluppo di algoritmi QML pratici nell'era NISQ.