Scalable Quantum Machine Learning: Trainability, Expressivity and Efficiency

Nella ricerca di macchine intelligenti, gli scienziati hanno a lungo guardato al mondo quantistico per ottenere un vantaggio competitivo. I computer quantistici, che sfruttano le strane regole della fisica che governano atomi e luce, promettono di risolvere certi problemi molto più velocemente di qualsiasi macchina possediamo oggi. Una via promettente è l'apprendimento automatico quantistico (quantum machine learning), dove questi dispositivi vengono addestrati per riconoscere schemi o fare previsioni, in modo simile alle reti neurali che alimentano l'intelligenza artificiale moderna. Tuttavia, per anni, questo campo è rimasto bloccato in una posizione difficile. I ricercatori hanno scoperto che, sebbene fossero in grado di progettare circuiti quantistici complessi, spesso si scontravano con un muro in cui il processo di addestramento falliva completamente, con i segnali del computer che diventavano troppo deboli per guidare l'apprendimento. Inoltre, anche quando l'addestramento funzionava, non c'era prova che la macchina quantistica stesse effettivamente facendo qualcosa che un computer classico non potesse fare, o che potesse farlo con l'efficienza necessaria per essere utile. La sfida è stata trovare un design che fosse sia facile da addestrare che abbastanza potente da offrire un vero vantaggio.

Un nuovo studio di Iordanis Kerenidis offre una soluzione a questo stallo proponendo due design specifici per circuiti quantistici che superano questi ostacoli. La ricerca introduce un metodo che permette a queste macchine di essere addestrate efficacemente senza perdere il proprio segnale, garantendo simultaneamente che i compiti che svolgono siano così complessi che i migliori computer classici noti farebbero fatica a simularli. La chiave di questa svolta risiede in una disposizione intelligente di gate quantistici che preserva una proprietà specifica del sistema: il numero di particelle rimane costante durante l'intero processo. Combinando questa struttura di preservazione delle particelle con un tipo speciale di stato di input, i ricercatori hanno creato un framework in cui la macchina può apprendere efficientemente pur affrontando problemi che sono fondamentalmente difficili per le macchine classiche.

Il documento si concentra su due blueprint architettonici su misura per diversi tipi di hardware quantistico. Un design, chiamato "unitary brick-wall" (muro di mattoni unitario), è costruito per macchine in cui i qubit sono disposti in linea e possono comunicare solo con i loro vicini immediati. L'altro, lo "unitary butterfly" (farfalla unitaria), è progettato per macchine in cui ogni qubit può connettersi con tutti gli altri. Entrambi i design condividono una strategia comune: iniziano con uno stato di particelle preparato appositamente e poi le fanno passare attraverso strati di operazioni. Queste operazioni includono un tipo di gate che agisce come un divisore di fascio (beam splitter) per le particelle, mescolandole insieme senza crearne o distruggerne alcuna, e uno strato di gate di fase che codifica i dati da apprendere. Questa combinazione assicura che il sistema rimanga in uno stato che è difficile da tracciare per i computer classici, ma che rimane abbastanza stabile da permettere alla macchina quantistica di apprendere.

Un grande ostacolo nell'apprendimento automatico quantistico è stato il "barren plateau" (altopiano sterile), un fenomeno in cui i segnali utilizzati per addestrare il modello svaniscono man mano che il sistema si espande, rendendo impossibile l'apprendimento. I ricercatori hanno dimostrato che i loro nuovi design evitano interamente questo problema. Hanno dimostrato che i segnali utilizzati per guidare l'addestramento rimangono forti e chiari, anche all'aumentare del numero di particelle. Questo è un netto distacco dai design precedenti, che spesso diventavano impossibili da addestrare con la crescita delle dimensioni. Lo studio dimostra che la varianza del gradiente, una misura di quanto sia forte il segnale di addestramento, rimane a un livello gestibile, scalando in modo tale da permettere alla macchina di apprendere efficientemente indipendentemente dalle sue dimensioni. Ciò significa che il processo di addestramento non è solo teoricamente possibile, ma praticamente praticabile.

Per rendere il processo di addestramento ancora più veloce, il documento introduce un nuovo algoritmo per calcolare le regolazioni necessarie ai parametri della macchina. Tradizionalmente, l'addestramento di un modello quantistico richiede l'esecuzione del circuito molte volte per ogni singolo parametro che deve essere regolato, un processo che diventa proibitivamente lento per sistemi di grandi dimensioni. Il nuovo metodo, chiamato "multi-layer parallel parameter-shift rule" (regola di spostamento dei parametri parallela multilivello), permette ai ricercatori di calcolare tutte le regolazioni necessarie contemporaneamente. Invece di eseguire il circuito migliaia di volte, possono eseguirlo un numero di volte che dipende solo dal numero di particelle, non dalla dimensione totale della macchina. Per una macchina con mille qubit, questo riduce il numero di eseczioni richieste di un fattore superiore a sedici, rendendo fattibile l'addestramento su larga scala.

Lo studio affronta anche la questione se queste macchine quantistiche stiano effettivamente facendo qualcosa di speciale. I ricercatori hanno mostrato che l'output dei loro circuiti, specificamente i pattern di particelle che producono, è estremamente difficile da simulare per i computer classici. Hanno stabilito una "scala" di difficoltà basata sul numero di particelle coinvolte. Quando il numero di particelle è piccolo, i computer classici possono facilmente imitare la macchina quantistica. Tuttavia, man mano che il numero di particelle aumenta fino a una soglia specifica, il compito di simulare l'output quantistico diventa esponenzialmente più difficile. Al punto operativo scelto dai ricercatori, con sessanta particelle coinvolte, i migliori algoritmi classici noti richiederebbero più di un miliardo di miliardi di operazioni per simulare un singolo output. Questo livello di complessità pone il compito ben oltre la portata degli attuali supercomputer classici, suggerendo un vero vantaggio quantistico.

Il framework è progettato per essere abbastanza flessibile da vari compiti di apprendimento automatico, dalla generazione di nuovi dati alla presa di decisioni in ambienti complessi. I ricercatori spiegano che la macchina quantistica agisce come un campionatore (sampler), producendo un insieme di risultati che possono essere utilizzati direttamente o elaborati da un computer classico. Per compiti come la modellazione generativa, dove l'obiettivo è creare nuovi dati che sembrino dati reali, la capacità della macchina quantistica di produrre pattern complessi e difficili da simulare è il vantaggio principale. Per l'apprendimento per rinforzo (reinforcement learning), dove un agente impara a prendere decisioni, la macchina quantistica può esplorare un vasto spazio di possibilità che i metodi classici potrebbero mancare. Lo studio chiarisce che, sebbene alcune parti dell'addestramento possano essere eseguite su computer classici, l'implementazione finale del modello si affida al dispositivo quantistico per produrre i campioni difficili da simulare che conferiscono al sistema il suo potere.

I ricercatori sono cauti nel distinguere tra ciò che è dimostrato e ciò che è ancora in fase di esplorazione. Hanno dimostrato matematicamente che i loro design sono addestrabili e che evitano il problema del barren plateau. Hanno anche dimostrato che il costo di simulazione classica cresce esponenzialmente con il numero di particelle, basandosi sui migliori algoritmi classici odierni. Tuttavia, notano che la difficoltà assoluta del problema dipende dal numero specifico di particelle utilizzate. Al punto operativo di sessanta particelle scelto, il compito è sufficientemente difficile da essere oltre le capacità classiche attuali, ma i ricercatori riconoscono che futuri miglioramenti negli algoritmi classici potrebbero spostare questo confine. Suggeriscono che il sistema può essere regolato aumentando il numero di particelle per mantenere il vantaggio.

Questo lavoro rappresenta un passo significativo verso la realizzazione pratica dell'apprendimento automatico quantistico. Risolvendo i doppi problemi di addestrabilità ed efficienza, i ricercatori hanno fornito una tabella di marcia per costruire reti neurali quantistiche che possano effettivamente essere utilizzate. I design sono compatibili con l'hardware che viene costruito oggi, e i metodi di addestramento sono abbastanza efficienti da poter essere implementati su dispositivi a breve termine (near-term devices). Lo studio non sostiene che queste macchine risolveranno ogni problema o sostituiranno i computer classici, ma mostra che possono accedere a una classe di funzioni che sono difficili da raggiungere per i modelli classici. Ciò apre la porta a nuove applicazioni in campi come la finanza, dove è necessaria una modellazione complessa del rischio, o nella scienza, dove la simulazione di sistemi quantistici è cruciale.

Il documento conclude delineando il percorso da seguire. Il passo successivo è testare questi design su hardware quantistico reale per vedere se offrono vantaggi pratici in compiti del mondo reale. I ricercatori hanno identificato problemi specifici, come l'ottimizzazione del portafoglio e la modellazione generativa, in cui il vantaggio quantistico è più probabile che si manifesti. Sottolineano che, sebbene la base teorica sia solida, la vera prova sarà nelle prestazioni di queste macchine su dati reali. Il framework che hanno costruito fornisce un percorso chiaro e scalabile verso quel futuro, offrendo un modo per sfruttare il potere della meccanica quantistica per l'apprendimento automatico senza perdersi nella complessità che ha frenato il campo per così tanto tempo.