Experimentally Extending Quantum Kernel Learning to Quantum Data by NMR

L'apprendimento automatico è diventato uno strumento potente per trovare schemi in enormi quantità di informazioni, dal prevedere il meteo al riconoscimento dei volti. Tuttavia, quando i dati stessi provengono dal mondo quantistico — il regno degli atomi e delle particelle subatomiche dove le regole della fisica si comportano in modo molto diverso — i programmi informatici standard spesso faticano. Essi sono progettati per gestire informazioni classiche, come numeri e immagini, ma non possono facilmente elaborare le strutture complesse e invisibili dei sistemi quantistici senza prima tradurle in una forma che ne perda gran parte del carattere unico. Gli scienziati hanno a lungo teorizzato che, se riuscissimo a insegnare alle macchine a imparare direttamente dai dati quantistici, utilizzando le proprietà naturali dei sistemi quantistici per svolgere il lavoro, potremmo sbloccare un nuovo livello di efficienza. Questa idea si colloca all'intersezione tra due campi in rapida evoluzione: la scienza dell'informazione quantistica, che studia come usare la meccanica quantistica per il calcolo, e l'apprendimento statistico, che insegna ai computer come fare previsioni. La sfida è stata passare dalla teoria alla pratica, dimostrando che una macchina può effettivamente imparare da input quantistici senza bisogno di un computer quantistico massiccio e privo di errori per farlo.

Un team di ricercatori presso l'Indian Institute of Science Education and Research di Pune ha ora compiuto un passo significativo verso la realizzazione di questa realtà. Hanno dimostrato con successo un metodo chiamato apprendimento di kernel quantistico (quantum kernel learning) su un dispositivo quantistico fisico, mostrando che esso può non solo elaborare dati standard, ma anche imparare direttamente da operatori quantistici, ovvero le descrizioni matematiche di come i sistemi quantistici cambiano. Il loro lavoro, condotto utilizzando un sistema di risonanza magnetica nucleare a stato liquido — una tecnica che utilizza le proprietà magnetiche dei nuclei atomici nelle molecole per agire come un processore quantistico — dimostra che queste macchine possono identificare schemi complessi nei dati quantistici che i metodi tradizionali perdono. Addestrando il loro sistema su un set specifico di operazioni quantistiche, hanno dimostrato che esso poteva classificare correttamente nuove operazioni non viste con un'elevata precisione, anche quando tali nuove operazioni erano completamente diverse da quelle su cui era stato studiato. Ciò suggerisce che il metodo cattura la struttura profonda e sottostante del mondo quantistico, permettendo di generalizzare la propria conoscenza ben oltre l'addestramento.

Per comprendere ciò che il team ha ottenuto, è utile osservare come abbiano affrontato il problema in due fasi. Per prima cosa, hanno testato il loro sistema su dati classici, che sono il tipo di informazioni che usiamo ogni giorno, come numeri che rappresentano una curva o un insieme di punti su un grafico. Hanno utilizzato una molecola chiamata trimetilfosfito, che contiene dieci nuclei atomici che fungono da qubit, le unità di base dell'informazione quantistica. In questa configurazione, un nucleo centrale è collegato ad altri nove, formando una forma a stella. I ricercatori hanno codificato numeri classici nel sistema quantistico applicando impulsi magnetici specifici che ruotavano gli spin di questi nuclei. Hanno poi misurato come il sistema rispondeva a coppie di questi numeri per creare un "kernel", che è essenzialmente una misura di quanto due punti dati siano simili in uno spazio ad alta dimensionalità. I risultati sono stati impressionanti: il sistema è stato in grado di prevedere la forma di un'onda sinusoidale e di una complessa curva polinomiale con un'accuratezza superiore al 98%, e poteva separare due diversi tipi di punti dati in uno spazio bidimensionale con pochissimi errori. Ciò ha confermato che il loro hardware quantistico poteva eseguire in modo affidabile compiti standard di apprendimento automatico.

La vera svolta, tuttavia, è arrivata quando si sono spostati oltre i dati classici per affrontare il problema molto più difficile di imparare dai dati quantistici stessi. In questa seconda fase, l'input per la loro macchina non era un numero, ma un operatore quantistico — una descrizione di una trasformazione che cambia lo stato di un sistema quantistico. Nello specifico, volevano sapere se il sistema potesse distinguere tra due tipi di trasformazioni: quelle che creano l'entanglement, una connessione quantistica unica in cui le particelle diventano legate indipendentemente dalla distanza, e quelle che non lo fanno. Per farlo, hanno utilizzato una molecola diversa, il dibromofluorometano, che forniva un sistema a tre qubit disposto in una struttura a stella a doppio strato. Hanno fornito alla macchina vari operatori quantistici, alcuni dei quali noti per creare l'entanglement e altri che non lo facevano, e hanno chiesto al sistema di apprendere la differenza.

I risultati di questo esperimento sono stati sorprendenti e hanno messo in luce un vantaggio chiave dell'apprendimento diretto dai dati quantistici. Quando i ricercatori hanno simulato un approccio tradizionale, in cui cercavano di descrivere gli operatori quantistici usando un insieme di parametri classici, il sistema non è riuscito a generalizzare. Poteva solo riconoscere i modelli che aveva visto durante l'addestramento e falliva completamente quando veniva presentato con nuovi dati al di fuori di quel range specifico. Al contrario, il metodo di apprendimento del kernel quantistico, che elaborava direttamente gli operatori senza convertirli in numeri classici, ha raggiunto un'accuratezza dell'85% sui dati sperimentali e del 94% nelle simulazioni numeriche. Fondamentalmente, il modello è stato addestrato solo su operatori provenienti da metà del possibile intervallo di variazioni, eppure è riuscito a identificare gli operatori di entanglement nell'altra metà, una regione che non aveva mai visto prima. Questa capacità di generalizzare suggerisce che il metodo del kernel quantistico non sta solo memorizzando esempi, ma sta effettivamente imparando la simmetria fondamentale e la struttura dello spazio degli operatori quantistici.

Questo lavoro dimostra che le macchine quantistiche possono imparare dagli input quantistici in un modo che i computer classici non possono facilmente replicare. I ricercatori hanno mostrato che, utilizzando il linguaggio nativo della meccanica quantistica, potevano confrontare direttamente le operazioni quantistiche, evitando la necessità di tecniche di misurazione costose e complesse che sarebbero altrimenti necessarie per comprendere i dati. Sebbene l'esperimento sia stato condotto su piccola scala utilizzando una piattaforma NMR specializzata, i risultati forniscono una tabella di marcia pratica su come i computer quantistici possano eventualmente essere utilizzati per analizzare e apprendere da altri sistemi quantistici. Ciò potrebbe avere implicazioni profonde per la comprensione di materiali complessi, la simulazione della fisica delle alte energie e lo sviluppo di nuove tecnologie quantistiche, poiché offre un modo per estrarre schemi significativi dal mondo quantistico senza perdere proprio quell'informazione che lo rende unico. Lo studio conferma che l'apprendimento del kernel quantistico è una via percorribile, offrendo uno strumento capace di vedere l'ordine nascosto nei dati quantistici dove altri metodi falliscono.