Parametrized Quantum Circuit Learning for Quantum Chemical Applications

I chimici si affidano da tempo a potenti computer per prevedere il comportamento delle molecole, un compito che spesso richiede la risoluzione di equazioni incredibilmente complesse per comprendere il mondo invisibile degli elettroni. Per decenni, questi calcoli sono stati il dominio dei computer classici, che elaborano le informazioni in modo diretto e sequenziale. Tuttavia, è emersa una nuova frontiera in cui gli scienziati tentano di sfruttare le strane regole della meccanica quantistica — la fisica che governa le particelle più piccole — per risolvere questi enigmi chimici. La speranza è che, utilizzando i computer quantistici, che possono esistere in più stati contemporaneamente, i ricercatori possano un giorno prevedere le proprietà molecolari in modo più rapido e accurato che mai. Un approccio specifico chiamato apprendimento automatico quantistico (quantum machine learning) cerca di fondere questi due mondi, usando i computer quantistici per apprendere schemi nei dati chimici proprio come un essere umano apprende dall'esperienza. Eppure, sebbene la teoria sia entusiasmante, rimane incerto se queste macchine possano effettivamente superare i computer classici che già utilizziamo per i problemi chimici quotidiani.

Un team di ricercatori si è posto l'obiettivo di testare questa idea costruendo e addestrando una vasta gamma di circuiti digitali progettati per girare su computer quantistici. Si sono concentrati su due sfide chimiche molto diverse per vedere quanto bene questi circuiti potessero apprendere. La prima sfida consisteva nel prevedere l'energia necessaria per rompere specifici legami chimici in una grande collezione di molecole, un compito relativamente semplice per i computer standard. La seconda sfida era più specializzata e riguardava la previsione del comportamento degli elettroni nelle molecole d'acqua, un problema profondamente radicato nella meccanica quantistica stessa. Per farlo, gli scienziati hanno costruito 168 versioni diverse di questi circuiti quantistici, combinando 14 modi per immettere i dati nella macchina con 12 diverse strutture interne progettate per elaborare tali informazioni. Hanno testato questi circuiti su simulazioni di computer quantistici con cinque e sedici bit quantistici, le unità fondamentali di informazione in un sistema quantistico, prima di eseguire i loro progetti migliori su vero hardware quantistico fisico.

I risultati hanno delineato un quadro fatto sia di promesse che di significativi limiti. Quando i ricercatori hanno testato i circuiti sui dati dell'energia di rottura del legame, i modelli quantistici hanno incontrato enormi difficoltà. Anche i circuiti con le prestazioni migliori non riuscivano a prevedere i valori di energia con alcuna accuratezza utile, spesso performando non meglio di una semplice ipotesi basata sul valore medio per ogni molecola. Lo studio suggerisce che il modo in cui i dati chimici sono stati tradotti in un formato comprensibile per il computer quantistico potrebbe aver rimosso troppi dettagli, lasciando alla macchina troppo poca informazione per apprendere. Al contrario, i circuiti quantistici hanno ottenuto prestazioni molto migliori sui dati della molecola d'acqua, che trattano direttamente il comportamento degli elettroni. In questo caso, i modelli sono stati in grado di apprendere gli schemi abbastanza bene da rendere previsioni accurate, raggiungendo un livello di successo che può essere considerato utile. Questa differenza suggerisce che le macchine quantistiche potrebbero essere più adatte per problemi che sono intrinsecamente quantistici, piuttosto che cercare di costringerle a risolvere problemi che i computer classici gestiscono già facilmente.

I ricercatori hanno anche indagato se rendere i circuiti più complessi potesse aiutarli ad apprendere meglio. Hanno provato ad aggiungere più strati ai circuiti e a far passare i dati attraverso la macchina più volte, una tecnica volta ad aiutare il modello a cogliere schemi più intricati. Per i dati sulla rottura del legame, l'aggiunta di complessità non ha fatto alcuna differenza; i modelli rimanevano bloccati. Per i dati della molecola d'acqua, invece, l'aumento della profondità del circuito ha migliorato l'accuratezza, permettendo al modello di apprendere in modo più efficace. Tuttavia, anche con questi miglioramenti, i modelli quantistici non sono comunque riusciti a eguagliare le prestazioni dei migliori modelli di computer classici, che hanno risolto entrambi i problemi con un'accuratezza quasi perfetta. Lo studio sostiene esplicitamente che il semplice fatto di aggiungere più parametri o dati di addestramento a un circuito quantistico non porterà automaticamente a risultati superiori, dimostrando che, per questi specifici compiti chimici, l'approccio quantistico è attualmente superato dai metodi tradizionali.

L'ultimo test ha previsto l'esecuzione del modello della molecola d'acqua più efficace su un vero computer quantistico disponibile al pubblico. Mentre la simulazione su un computer prevedeva i risultati con alta accuratezza, nel momento in cui l'esperimento si è spostato sul dispositivo fisico reale, le prestazioni sono crollate. L'ambiente rumoroso della macchina reale, pieno di interferenze ed errori, ha reso le previsioni inaffidabili e imprecise. Questo risultato evidenzia un ostacolo fondamentale: sebbene la teoria matematica di questi circuiti funzioni bene in una simulazione perfetta e priva di rumore, l'attuale generazione di hardware quantistico è semplicemente troppo imperfetta per gestire i delicati calcoli richiesti per applicazioni chimiche pratiche. Lo studio conclude che, sebbene l'apprendimento automatico quantistico possieda un potenziale teorico, in particolare per problemi che sono naturalmente quantistici, la tecnologia non è ancora pronta per sostituire i computer classici per i compiti chimici per i quali è stata progettata. La strada da seguire, suggeriscono gli autori, non risiede solo nel costruire macchine più grandi, ma nel trovare nuovi modi per inquadrare i problemi chimici affinché beneficino davvero delle capacità uniche del calcolo quantistico.