Quantum Encoding of Structured Data with Matrix Product States

I computer quantistici promettono di risolvere problemi che sono attualmente impossibili per le macchine classiche, ma affrontano un ostacolo fondamentale prima ancora di poter iniziare: inserire le informazioni corrette al loro interno. Per eseguire un calcolo, un computer quantistico deve prima caricare dati classici — numeri, immagini o funzioni — nel suo stato quantistico. Questo processo, noto come preparazione dello stato, è notoriamente difficile. Poiché lo spazio delle possibilità per un sistema quantistico cresce esponenzialmente con ogni particella aggiunta, il caricamento di un dataset complesso e non strutturato richiede solitamente un circuito così profondo e complesso che impiegherebbe più tempo dell'età dell'universo per essere eseguito sull'hardware odierno. Questo collo di bottiglia minaccia di annullare i vantaggi di velocità che i computer quantistici offrono in campi come la finanza, la medicina e l'apprendimento automatico. La sfida, quindi, non è solo costruire macchine più veloci, ma trovare un modo per comprimere enormi quantità di dati in un formato quantistico che sia abbastanza semplice da caricare rapidamente e con precisione.

I ricercatori dell'Università dell'Australia Occidentale hanno sviluppato un nuovo metodo per aggirare questo collo di bottiglia sfruttando la struttura nascosta presente in molti dataset del mondo reale. Invece di cercare di costringere un computer quantistico a memorizzare ogni singolo pixel di un'immagine o ogni valore di una funzione complessa, utilizzano una tecnica matematica chiamata stato a prodotto di matrici (matrix product state). Pensate a questo come a un modo per descrivere una lunga e complicata stringa di dati scomponendola in piccoli frammenti connessi che devono solo ricordare i propri vicini immediati, piuttosto che l'intera stringa in una volta sola. Questo approccio funziona perché molti fenomeni naturali, dalle curve morbide di una funzione matematica ai pattern in una scansione medica, non possiedono connessioni casuali e caotiche; possiedono una struttura locale limitata che può essere catturata con molte meno risorse rispetto a quanto richiederebbe una descrizione completa e non strutturata.

Il team, guidato da Josh Green e Jingbo Wang, ha dimostrato che questa tecnica di compressione permette loro di preparare stati quantistici che rappresentano funzioni e immagini complesse con una velocità e una precisione straordinarie. Si sono concentrati su un algoritmo specifico noto come Matrix Product Disentangler, che agisce come uno strumento di ingegneria inversa. Esso prende un dataset target e individua la sequenza più semplice di operazioni quantistiche necessarie per crearlo. Tuttavia, questo strumento iniziale non è perfetto da solo. Per perfezionare il risultato, i ricercatori lo hanno combinato con un secondo passaggio chiamato ottimizzazione di rete tensoriale (tensor network optimization). Questo processo agisce come un meccanza di fine-tuning, regolando i parametri del circuito quantistico per minimizzare gli errori e spingere l'accuratezza verso la quasi perfezione. Il risultato è un metodo in grado di caricare i dati in un computer quantistico utilizzando un circuito abbastanza superficiale da poter essere eseguito sulle attuali macchine imperfette, note come dispositivi NISQ.

I ricercatori hanno testato il loro approccio su una vasta gamma di funzioni matematiche, incluse quelle con interruzioni nette, salti improvvisi e forme irregolari che tipicamente confondono gli algoritmi quantistici. Hanno scoperto che per le funzioni che non sono completamente casuali — come polinomi di basso grado, funzioni radice e curve logaritmiche — il loro metodo poteva preparare lo stato quantistico con un'accuratezza superiore al 99,99 percento. Questo livello di precisione viene raggiunto utilizzando circuiti profondi solo poche centinaia di passi, una riduzione massiccia rispetto ai milioni di passi solitamente richiesti. Il team ha dimostrato che anche per le funzioni con discontinuità, dove il valore cambia bruscamente, il metodo rimane robusto, a patto che la struttura complessiva dei dati non sia troppo caotica.

Forse la dimostrazione più sorprendente di questa capacità ha riguardato un'immagine medica del mondo reale. I ricercatori hanno preso un'immagine di 128 per 128 pixel dal dataset ChestMNIST, che contiene radiografie del torace utilizzate per la diagnosi di patologie polmonari. Sono riusciti a codificare questa immagine in uno stato quantistico utilizzando solo 14 qubit. Il circuito quantistico risultante, composto da sole 425 operazioni di base, ha prodotto una ricostruzione dell'immagine con una fedeltà superiore al 99,2 percento. Ciò significa che lo stato quantistico conteneva una copia quasi perfetta della scansione medica originale. Il successo di questo esperimento è significativo perché dimostra che il metodo può gestire dati strutturati bidimensionali come le immagini, e non solo semplici curve matematiche monodimensionali.

Tuttavia, lo studio definisce chiaramente i limiti di questo approccio. Il metodo si basa sul fatto che i dati abbiano un tipo specifico di ordine, in cui le connessioni tra le diverse parti dei dati decadono rapidamente. Quando i ricercatori hanno testato il metodo su dati completamente casuali o su rumore altamente complesso e non strutturato, l'accuratezza è diminuita significativamente. L'algoritmo non può comprimere magicamente informazioni che non hanno un modello sottostante; se i dati sono veramente caotici, il circuito quantistico richiesto per rappresentarli diventa profondo e difficile da costruire quanto il problema originale. Questa distinzione è cruciale: la tecnica è uno strumento potente per i dati strutturati, ma non è una soluzione universale per ogni tipo di informazione.

I ricercatori hanno anche confrontato il loro metodo ottimizzato con altre tecniche note per il caricamento dei dati. Hanno scoperto che, sebbene altri metodi potessero teoricamente raggiungere la stessa accuratezza, spesso richiedevano circuiti molto più profondi o necessitavano di qubit "ancilla" extra per fungere da memoria temporanea, cosa che l'hardware attuale non può supportare. Al contrario, il nuovo metodo raggiunge un'alta accuratezza senza alcun qubit extra e utilizza una profondità di circuito che scala linearmente con la dimensione dei dati, rendendolo molto più pratico per il futuro prossimo. Il team ha notato che, per l'immagine ChestMNIST, il loro approccio ottimizzato ha raggiunto lo stesso livello di accuratezza di un metodo teorico "esatto", ma con un circuito circa quattro volte più superficiale.

Nel contesto del campo più ampio, questo lavoro suggerisce una via chiara per le applicazioni dell'informatica quantistica. Indica che per compiti che coinvolgono dati strutturati — come impostare le condizioni al contorno per la risoluzione di equazioni fisiche, preparare distribuzioni di probabilità per simulazioni finanziarie o codificare immagini per l'apprendimento automatico — i computer quantistici possono essere utili molto prima di quanto precedentemente ipotizzato. La capacità di caricare dati con alta fedeltà utilizzando circuiti superficiali rimuove una barriera importante che ha impedito a molti algoritmi quantistici di essere testati su hardware reale. Sebbene il metodo non risolva il problema del caricamento di dati completamente non strutturati, fornisce un modo altamente efficiente e rispettoso delle risorse per gestire la stragrande maggioranza dei dataset strutturati che scienziati e ingegneri utilizzano realmente.

Lo studio conclude che la combinazione dell'algoritmo di disentanglement e del successivo processo di ottimizzazione crea uno strumento versatile per l'era attuale della tecnologia quantistica. Permette ai ricercatori di superare i limiti teorici della preparazione dello stato e iniziare esperimenti pratici con dati del mondo reale. Dimostrando che un'immagine 128 per 128 può essere codificata con tale alta fedeltà su un piccolo numero di qubit, il lavoro offre un esempio concreto di come i computer quantistici possano presto essere utilizzati per elaborare dati medici o modelli finanziari. Le conclusioni non pretendono di aver risolto ogni problema nella preparazione dello stato quantistico, ma stabiliscono un metodo affidabile, efficiente e accurato per la specifica classe di problemi strutturati che sono più rilevanti per le applicazioni a breve termine.