Quantum and classical processing with photonic quantum machine learning

Sintesi Tecnica: Elaborazione Quantistica e Classica con Apprendimento Automatico Quantistico Fotonico

Enunciazione del Problema
Sebbene l'intelligenza artificiale e l'apprendimento automatico (ML) siano ubiqui, comportano elevati costi computazionali. L'apprendimento automatico quantistico (QML) promette di accelerare l'elaborazione e risolvere compiti inaccessibili ai sistemi classici, tuttavia i computer quantistici universali tolleranti ai guasti rimangono irraggiungibili. Le attuali dimostrazioni di vantaggio quantistico sono spesso limitate a problemi specifici senza rilevanza pratica diretta. Inoltre, le implementazioni fisiche di QML affrontano sfide come le "barren plateaus" (altipiani sterili) nei paesaggi di ottimizzazione e la difficoltà di applicare la retropropagazione ai circuiti quantistici. Un collo di bottiglia specifico nelle tecnologie quantistiche è la sonda efficiente degli stati quantistici; la tomografia standard degli stati quantistici richiede tipicamente un numero esponenziale di misurazioni in basi diverse. Inoltre, le realizzazioni sperimentali di QML ottico spesso lottano con discrepanze tra simulazioni idealizzate e hardware imperfetto, portando a una ridotta accuratezza rispetto ai regimi classici.

Metodologia
Gli autori riportano una dimostrazione sperimentale di un sistema di elaborazione di serbatoio quantistico (QRP) fotonico capace di gestire sia compiti di apprendimento automatico quantistico che classico. L'hardware centrale è un chip fotonico in silicio programmabile ("Belenos") di Quandela, caratterizzato da una maglia di 24 guide d'onda ottiche integrate disposte come interferometri Mach-Zehnder (MZI). Il sistema è eccitato da una sorgente a punti quantici semiconduttori che genera singoli fotoni.

I componenti metodologici chiave includono:

• Architettura Hardware: Il chip supporta fino a 12 singoli fotoni simultanei iniettati in un sottoinsieme di modi. Utilizza rivelatori risolutivi del numero di fotoni (PNR), un avanzamento significativo rispetto ai precedenti schemi di rivelazione binaria (0 o 1).
• Elaborazione di Serbatoio Quantistico: Il sistema impiega una trasformazione unitaria fissa e casuale (il serbatoio, $U_R$) per mappare i dati di input in uno spazio delle caratteristiche ad alta dimensionalità. Ciò è seguito da un livello di lettura lineare addestrabile implementato in software (una rete neurale).
• Compiti Quantistici: Gli autori hanno implementato la tomografia degli stati quantistici per stati misti ed entangled in basi a due e tre modi. A differenza della tomografia standard che richiede misurazioni esponenziali, questo metodo utilizza una singola trasformazione unitaria fissa e una singola base di misurazione. Gli stati di input sono generati all'interno del chip o iniettati, e il serbatoio trasforma le correlazioni quantistiche multimodali in statistiche di conteggio dei fotoni misurabili.
• Compiti Classici e Mitigazione degli Errori: Per i dati classici, gli input sono codificati come parametri dell'interferometro. Per colmare il divario tra simulazione e realtà sperimentale, gli autori hanno introdotto una tecnica di addestramento "consapevole dell'hardware". Ciò comporta la perturbazione della matrice unitaria del serbatoio ($U_R$) con rumore casuale durante la fase di addestramento in silico. Questa regolarizzazione addestra la rete a essere robusta contro le imperfezioni sperimentali, come errori di transpilazione e derive di fase.

Contributi Chiave

1. Dimostrazione Sperimentale di QRP Fotonico: Questo lavoro fornisce la prima dimostrazione sperimentale di un sistema ottico che esegue un compito quantistico genuino (tomografia degli stati quantistici) utilizzando un'architettura di calcolo a serbatoio.
2. Rivelazione PNR Scalabile: L'implementazione utilizza la rivelazione risolutiva del numero di fotoni su un chip fotonico in silicio scalabile, consentendo la cattura di coincidenze complesse a più fotoni che i rivelatori binari non rilevano.
3. Tomografia Quantistica Efficiente: Gli autori dimostrano che il QRP può ricostruire la matrice densità di stati quantistici misti utilizzando una sola base di misurazione, in contrasto con il sovraccarico esponenziale della tomografia convenzionale.
4. Addestramento Consapevole dell'Hardware: Il documento introduce una specifica strategia di mitigazione per le imperfezioni sperimentali. Addestrando il livello di lettura classico su dati simulati con perturbazioni casuali del serbatoio, il sistema raggiunge un'accuratezza superiore rispetto a un sistema identico che opera nel regime classico (utilizzando stati coerenti e misurazioni di intensità).

Risultati

• Tomografia Quantistica: Nella ricostruzione di uno stato misto a due fotoni, il sistema QRP ha raggiunto un'fedeltà media di $F_{QRP} = 0,820 \pm 0,013$ sul dataset di test. Ciò ha superato significativamente il "benchmark PNR" (rivelazione diretta senza serbatoio), che ha raggiunto $F_{PNR} = 0,747 \pm 0,015$. Il miglioramento è attribuito alla capacità del serbatoio di catturare le coerenze fuori diagonale (interferenza quantistica) che la rivelazione diretta non coglie.
• Scalabilità: Lo studio ha verificato la scalabilità dell'approccio estendendo la tomografia agli stati a tre modi. I risultati indicano che la dimensione del serbatoio (numero di modi) deve scalare per corrispondere al numero di parametri indipendenti nella matrice densità (13 parametri per 2 modi, 45 per 3 modi).
• Estrazione di Caratteristiche: Il sistema ha previsto con successo caratteristiche quantistiche chiave, inclusa la purezza, l'entropia di von Neumann e la negatività, con alta precisione utilizzando dati provenienti da soli tre rivelatori.
• Classificazione Classica: Per un compito di classificazione non lineare binaria (spirali intrecciate), la tecnica di addestramento consapevole dell'hardware ha prodotto un'accuratezza sperimentale di circa il 79,7%. Ciò ha superato l'accuratezza di un sistema classico ideale (input coerenti, rivelazione di intensità), che ha funto da baseline. Senza l'addestramento con perturbazioni, l'accuratezza sperimentale era significativamente inferiore a causa delle imperfezioni dell'hardware.

Significato
Gli autori affermano che questo lavoro dimostra un metodo pratico per superare un collo di bottiglia cruciale nelle tecnologie quantistiche: la sonda efficiente degli stati quantistici. Mostrando che il QRP può eseguire compiti quantistici con una singola base di misurazione e superare i regimi classici anche in presenza di rumore sperimentale, il documento suggerisce una via verso un vantaggio quantistico pratico nell'apprendimento automatico. I risultati evidenziano che dispositivi fotonici scalabili basati su chip integrati e sorgenti a singolo fotone possono sfruttare efficacemente gli effetti quantistici sia per l'elaborazione di dati quantistici che per il calcolo classico robusto. Lo studio sottolinea che, sebbene i computer quantistici universali non siano ancora disponibili, approcci fisici specializzati di QML come il QRP offrono un'alternativa praticabile per accelerare compiti specifici ed estrarre caratteristiche quantistiche.