Physics-inspired Generative AI models via real hardware-based noisy quantum diffusion

Nel mondo in rapida evoluzione dell'intelligenza artificiale, è emerso un tipo specifico di programma per computer che eccelle nella creazione di contenuti nuovi e originali. Questi sistemi, noti come modelli generativi, apprendono i pattern nascosti all'interno di una collezione di dati esistenti — come migliaia di fotografie — e poi usano quella conoscenza per inventare nuove immagini che sembrano altrettanto reali. Uno dei metodi più potenti per farlo è chiamato modello di diffusione. Immaginate un processo in cui un'immagine nitida viene trasformata lentamente, passo dopo passo, in rumore statico, come la neve di un televisore. Un modello di diffusione impara a invertire questo processo. È addestrato per prendere uno schermo pieno di rumore casuale e rimuovere gradualmente il caos, un passo alla volta, finché non emerge un'immagine coerente. Questa tecnica è diventata una pietra angolare della moderna tecnologia creativa, capace di produrre splendidi effetti visivi e sonori.

Allo stesso tempo, gli scienziati stanno esplorando un tipo diverso di potenza di calcolo basato sulle strane regole della meccanica quantistica. A differenza dei computer che usiamo ogni giorno, che elaborano le informazioni come semplici interruttori on o off, i computer quantistici utilizzano particelle che possono esistere in più stati contemporaneamente. Ciò consente loro di risolvere certi problemi complessi in modi in cui le macchine classiche non possono fare. Tuttavia, gli attuali computer quantistici sono ancora nelle loro prime fasi. Sono piccoli, fragili e soggetti a errori causati da un fenomeno noto come rumore quantistico. Questo rumore di solito interrompe i calcoli, costringendo i ricercatori a impiegare enormi risorse nel tentativo di ripararlo o nasconderlo. La domanda che guida una nuova linea di ricerca è se queste macchine rumorose possano fare qualcosa di utile nonostante i loro difetti, o se debbano aspettare di essere perfette per avere qualsiasi valore.

Un team di ricercatori dell'Università di Firenze e di altre istituzioni ha intrapreso un passo audace per rispondere a questa domanda. Invece di cercare di eliminare il rumore nel loro computer quantistico, hanno deciso di usarlo come uno strumento. Hanno sviluppato un nuovo modo per costruire un'IA generatrice di immagini che giri direttamente su un vero processore quantistico imperfetto. Il loro lavoro suggerisce che il rumore stesso che di solito rompe i calcoli quantistici può in realtà aiutare un modello generativo a creare immagini migliori di un approccio puramente classico. Trattando il rumore quantistico non come un bug, ma come una caratteristica, hanno dimostrato una strada percorribile per l'intelligenza artificiale che lavori con l'hardware che abbiamo oggi, piuttosto che aspettare l'hardware di domani.

I ricercatori hanno iniziato studiando come l'informazione si muove attraverso una rete. Nel loro modello, hanno trattato ogni pixel di un'immagine come un viaggiatore che si muove attraverso una mappa. In un computer standard, questo viaggiatore si muove casualmente, come una persona che lancia una moneta per decidere quale strada prendere. Questo è un processo diffusivo lento. In un sistema quantistico, tuttavia, il viaggiatore può esistere in molti luoghi contemporaneamente, muovendosi attraverso la mappa in un modello ondulatorio che si diffonde molto più velocemente. Il team ha creato un sistema ibrido in cui il movimento del viaggiatore è un mix sia dei passi lenti e casuali di un computer classico che della rapida diffusione ondulatoria di un computer quantistico. Hanno scoperto che quando bilanciavano questi due comportamenti nel modo giusto, il sistema esplorava le possibilità dell'immagine in modo più efficiente.

Per testare questo, si sono concentrati sulla generazione di immagini di cifre scritte a mano, un test standard per l'intelligenza artificiale. Hanno sostituito il passaggio di iniezione del rumore casuale del processo standard dell'IA con il loro nuovo metodo di ispirazione quantistica. Nella prima parte del loro studio, hanno simulato questo processo su potenti computer classici per vedere come diverse miscele di comportamento quantistico e classico si sarebbero comportate. Hanno scoperto che una specifica combinazione, dove gli effetti quantistici erano presenti ma non travolgenti, produceva i risultati migliori. Le immagini generate con questo metodo ibrido erano statisticamente più vicine ai dati di addestramento reali rispetto a quelle prodotte da un metodo puramente classico. Il sistema era anche più consistente, producendo risultati di alta qualità in modo più affidabile in molti tentativi diversi.

Incoraggiati da queste simulazioni, il team è passato alla fase successiva: eseguire l'esperimento su hardware reale. Hanno utilizzato un vero processore quantistico di IBM, una macchina che attualmente contiene solo poche centinaia di qubit, le unità basilari dell'informazione quantistica. Questa macchina specifica è nota per essere rumorosa, il che significa che i suoi calcoli sono spesso disturbati dall'ambiente. I ricercatori hanno progettato un circuito che utilizzava solo quattro qubit per generare immagini. Hanno mappato le diverse sfumature di grigio di un pixel sulle posizioni di un piccolo ciclo, o loop, di otto punti. Il computer quantistico ha poi eseguito un processo in cui il "camminatore" si muoveva attorno a questo ciclo, con il rumore naturale della macchina che aiutava a rimescolare i dati in modo controllato.

I risultati sono stati sorprendenti. Anche con i limiti dell'attuale hardware, il computer quantistico ha generato con successo immagini di cifre scritte a mano. Sebbene le immagini non fossero perfette, l'esperimento ha dimostrato che un dispositivo quantistico poteva essere utilizzato per guidare la parte in avanti di un modello generativo. I ricercatori hanno scoperto che il rumore inerente alla macchina aiutava a corrompere i dati in un modo che l'IA poteva successivamente imparare a invertire. Questo è un netto distacco dall'approccio abituale nell'informatica quantistica, in cui gli scienziati passano anni cercando di sopprimere il rumore per ottenere un segnale pulito. Qui, il rumore era il motore del processo.

Lo studio ha anche evidenziato i vantaggi pratici di questo approccio. Poiché la parte quantistica del modello doveva gestire solo i livelli di intensità di un singolo pixel, il numero di qubit richiesti non cresceva con la dimensione dell'immagine. Sono stati in grado di generare immagini complete di 28 per 28 pixel utilizzando solo quattro qubit. Questa scalabilità suggerisce che anche piccoli e rumorosi computer quantistici potrebbero eventualmente contribuire alla generazione di immagini molto più grandi e complesse. Il team ha notato che, sebbene le immagini generate dall'hardware reale fossero leggermente meno nitide rispetto alle loro simulazioni, la differenza era comprensibile date le restrizioni fisiche della macchina.

In definitiva, questo lavoro offre una nuova prospettiva sul futuro dell'intelligenza artificiale quantistica. Sfida l'idea che i computer quantistici debbano essere perfetti prima di poter essere utili. Mostrando che il rumore di un vero dispositivo quantistico può essere sfruttato per migliorare la qualità dei dati generati, i ricercatori hanno aperto la porta a un nuovo tipo di calcolo ibrido. Le loro scoperte suggeriscono che in un futuro prossimo potremmo non dover aspettare macchine quantistiche prive di errori per vedere i benefici dell'IA quantistica. Invece, possiamo iniziare a costruire sistemi oggi che abbracciano la natura imperfetta e rumorosa della tecnologia per creare qualcosa di nuovo e utile. La strada da seguire consiste nel perfezionare questi metodi, forse comprendendo meglio i tipi specifici di rumore in diverse macchine, ma l'idea centrale — che il rumimento possa essere una risorsa piuttosto che una barriera — è stata dimostrata.