Immagina di cercare di insegnare a un robot come riconoscere un gatto in una foto. Nel mondo dei computer classici, di solito lo facciamo mostrando al robot milioni di immagini e usando un trucco matematico chiamato "backpropagation" (retropropagazione). Pensa alla backpropagation come a un insegnante che cammina all'indietro attraverso un labirinto, indicando ogni curva sbagliata che il robot ha preso e dicendogli esattamente come regolare i suoi passi per avvicinarsi all'uscita. Funziona molto bene per strade lisce e continue. Ma cosa succederebbe se il robot vivesse in un mondo fatto di interruttori che possono essere solo "on" o "off", come un enorme e complesso pannello luminoso? In questo mondo, non ci sono strade lisce su cui camminare all'indietro; ci sono solo scogliere ripide e frastagliate. Non puoi dare un colpetto gentile a un interruttore; devi scattarlo. Questo rende inutile il metodo dell'insegnante tradizionale.

Questo è il puzzle che sta affrontando il nuovo campo del machine learning quantistico. I computer quantistici sono incredibili, ma spesso operano su questi interruttori "on/off" (chiamati stati binari) e comportano misurazioni che interrompono la matematica fluida a cui siamo abituati. Gli scienziati sono rimasti bloccati nel tentativo di addestrare questi cervelli quantistici perché gli strumenti usuali non si adattano. Avevano bisogno di un nuovo modo per insegnare al robot che non si basasse su gradienti fluidi, ma che utilizzasse le leggi naturali della fisica; nello specifico, l'idea che i sistemi tendano sempre a stabilizzarsi nel loro stato di energia più bassa, come una palla che rotola verso il fondo di una collina. Questo articolo si inserisce in questo vuoto, ponendo una domanda: Possiamo addestrare una rete neurale quantistica trattandola come un sistema fisico che cerca il suo punto di riposo più confortevole, piuttosto che come uno studente che cerca di risolvere un problema di calcolo?

Il nuovo modo di insegnare ai cervelli quantistici

I ricercatori dietro questo studio, lavorando con un team della Sun Yat-sen University e di QBoson Quantum Technology, hanno costruito un nuovo framework di addestramento chiamato EPIC-CIM. Pensatelo come un astuto aggiramento del problema delle "scogliere frastagliate". Invece di cercare di calcolare una pendenza che non esiste, lasciano che il sistema si stabilizzi naturalmente in uno stato di equilibrio e usano la differenza tra due equilibri leggermente diversi per capire come imparare.

Ecco come funziona il loro metodo, EPIC-CIM, usando un'analogia giocosa:

Immagina una stanza gigante e caotica piena di migliaia di interruttori della luce (questi sono gli "stati binari" della macchina quantistica). Il tuo obiettivo è disporre questi interruttori in modo che formino la parola "GATTO" quando li guardi.

1. L'allestimento: Spari una torcia (l'immagine di input) nella stanza. La luce colpisce gli interruttori, spingendoli a provare ad accendersi o spegnersi.
2. La fase "Libera": Per prima cosa, lasci che la stanza si stabilizzi da sola. Gli interruttori oscillano e scattano finché non trovano un modello confortevole basato sulla luce. Questa è la "fase libera". Il sistema si sta solo rilassando, trovando il suo livello di energia naturale.
3. La fase "Spinta": Ora, vuoi che la stanza scriva "GATTO". Quindi, dai un piccolo colpetto agli interruttori che dovrebbero essere accesi per "GATTO" affinché rimangano accesi, e a quelli che non dovrebbero esserlo affinché rimangano spenti. Non li costringi; dai loro solo una piccola e gentile spinta (uno stato "debolmente vincolato") e lascia che si stabilizzino di nuovo.
4. L'apprendimento: La magia avviene confrontando le due stanze. I ricercatori osservano la differenza tra la stanza "Libera" e la stanza "Spinta". Se un interruttore è cambiato a causa della tua spinta, questo dice al sistema: "Ehi, devi regolare le tue impostazioni per far sì che quell'interruttore rimanga acceso quando lo chiedo!". Aggiornano le regole (i "pesi" della rete) in base a questa differenza, senza mai dover calcolare un complesso gradiente.

Questo processo è chiamato Equilibrium Propagation (Propagazione dell'Equilibrio). È come insegnare a un cane non spiegandogli la fisica di una palla, ma premiandolo quando si siede e correggendolo gentilmente quando non lo fa, lasciando che il cane capisca il modello attraverso la ripetizione e il feedback.

Cosa hanno scoperto

Il team ha testato questo nuovo metodo di "Equilibrium Propagation" su tre famosi dataset di immagini: MNIST (numeri scritti a mano), Fashion-MNIST (articoli di abbigliamento) e CIFAR-10 (oggetti quotidiani colorati). Hanno confrontato il loro modello EPIC-CIM con altri metodi quantistici, inclusi quelli che utilizzano le "Variational Quantum Circuits" (che sono come cercare di sintonizzare una radio con un cacciavite) e il "Quantum Annealing" (che è come cercare il fondo di una collina facendo rotolare una palla giù per essa).

I risultati sono stati piuttosto promettenti:

• Sul dataset MNIST: EPIC-CIM ha raggiunto un'accuratezza di test del 92,32%. Questo è significativamente migliore della standard Quantum Convolutional Neural Network (QCNN), che ha ottenuto l'84,59%, e dell'approccio Quantum Annealing, che ha toccato l'87,53%.
• Sul dataset Fashion-MNIST: Il nuovo metodo ha segnato il 79,62%, superando la QCNN (78,29%) e il metodo Quantum Annealing (78,96%).
• Sul complicato dataset CIFAR-10: Anche con le immagini complesse e colorate, EPIC-CIM ha raggiunto un'accuratezza del 34,56%. Sebbene sia inferiore a quella di un computer classico (che ha ottenuto il 40,22%), è comunque un chiaro miglioramento rispetto agli altri modelli quantistici, che hanno faticato a superare il 27,79%.

Uno dei risultati più interessanti è stato quanto bene il modello gestisse i "piccoli dati". Di solito, l'IA ha bisogno di milioni di immagini per imparare. Ma EPIC-CIM ha dimostrato di poter imparare efficacemente anche con solo poche migliaia di campioni. Quando lo hanno testato con solo 1.000 immagini di addestramento, è riuscito comunque a imparare bene, e aggiungendo più dati (fino a 60.000), l'accuratezza è salita costantemente al 92,32%. Ciò suggerisce che il metodo è molto efficiente e non si confonde facilmente.

Funziona sulle macchine reali?

I ricercatori non si sono fermati alle simulazioni al computer. Hanno testato la loro idea anche su hardware quantistico reale. I veri computer quantistici sono rumorosi e spesso non possono gestire numeri ad alta precisione; a volte devono lavorare con una precisione inferiore (come numeri a 14 bit invece dello standard a 32 bit).

Nonostante queste limitazioni dell'hardware e il "rumore" del mondo reale, il modello EPIC-CIM ha retto molto bene. Su hardware reale, ha raggiunto un'accuratezza di test del 91%. Questo è molto vicino al 92,32% ottenuto nella simulazione perfetta. Ciò suggerisce che il metodo è robusto e non cade a pezzi quando l'hardware non è perfetto.

Cosa significa questo

L'articolo suggerisce che trattando l'addestramento di una rete neurale come un processo fisico di ricerca dell'equilibrio energetico, possiamo bypassare i mal di testa matematici dell'addestramento dei computer quantistici. Gli autori sostengono che questo approccio renda il processo di addestramento più stabile e interpretabile. Invece di una scatola nera di matematica, abbiamo un sistema che si comporta come un oggetto fisico che si assesta in posizione.

Sebbene il modello non sia ancora perfetto come un computer classico (specialmente per i compiti più difficili come CIFAR-10), dimostra che l'ottimizzazione ispirata al quantum può essere uno strumento potente. Dimostra che possiamo addestrare reti quantistiche complesse senza aver bisogno della matematica impossibile della backpropagation, aprendo la strada a un'intelligenza artificiale quantistica più stabile e scalabile in futuro. I ricercatori concludono che questo framework offre un modo unificato per colmare il divario tra il calcolo quantistico e l'intelligenza artificiale che usiamo ogni giorno.