Imaginarity as a necessary resource for trainability in QAOA

Immagina di cercare di insegnare a un robot molto timido e molto complesso come risolvere un enorme puzzle. Questo robot non pensa come noi; vive in un mondo di meccanica quantistica, dove può trovarsi in molti posti contemporaneamente, ma è anche incredibilmente fragile. Lo strumento che usiamo per insegnargli si chiama Algoritmo di Ottimizzazione Approssimata Quantistica, o QAOA. Pensa al QAOA come a un gioco ad alta tensione di "Caldo o Freddo". Il robot prova una soluzione, e un computer classico (l'insegnante) controlla quanto sia buona. Se la soluzione è "fredda" (scarsa), l'insegnante deve regolare le impostazioni del robot per renderlo più "caldo" (migliore). Per farlo in modo efficace, l'insegnante ha bisogno di un segnale chiaro — un gradiente — che gli dica esattamente in quale direzione girare le manopole.

Tuttavia, c'è un problema. A volte, il segnale diventa così debole che l'insegnante non riesce proprio più a sentirlo. Questo è come cercare di guidare una nave in una nebbia dove la bussola ha smesso di girare; il robot si blocca e il processo di apprendimento si arresta. Gli scienziati sospettano da tempo che, affinché il robot possa imparare, abbia bisogno di un tipo specifico di "succo quantistico" per mantenere vivo quel segnale. Questo articolo investiga quale sia questo succo. Si concentra su una proprietà chiamata "immaginarietà". Nel mondo quantistico, i numeri possono essere "reali" (come 5 o -2) o "immaginari" (che coinvolgono la radice quadrata di -1). Mentre i numeri reali descrivono le cose ovvie, i numeri immaginari descrivono le relazioni ondulatorie nascoste tra le diverse possibilità. L'articolo pone una domanda semplice ma cruciale: questa "immaginarietà" è necessaria affinché il robot possa imparare?

I ricercatori, guidati da Syed Muhammad Ali Hassan e colleghi, si sono posti l'obiettivo di dimostrare che questa "immaginarietà" non è solo un effetto collaterale fantasioso, ma un requisito rigoroso affinché il robot possa procedere. Hanno scoperto che il segnale che l'insegnante usa per regolare le impostazioni finali del robot dipende completamente da queste connessioni immaginarie. Se lo stato del robot non ha parti immaginarie che collegano i diversi pezzi del puzzle che sta considerando, il segnale svanisce e il robot non può imparare, non importa quanto l'insegnante ci provi.

Per capire come abbiano scoperto questo, immagina che il robot stia tenendo in mano un mazzo di carte, dove ogni carta rappresenta una possibile soluzione al puzzle. Il robot mescola queste carte usando un "mixer" (un'operazione quantistica che scambia le carte). L'insegnante vuole sapere: "Se cambio leggermente il mescolamento, il punteggio migliora?". L'articolo mostra che questa domanda può essere risposta solo se esistono legami "fantasmatici" tra le carte — legami che esistono solo nella parte immaginaria della matematica. Nello specifico, il robot deve avere una connessione tra due carte che differiscono per un solo minuscolo dettaglio (come invertire un singolo bit da 0 a 1) e quella connessione deve avere una componente immaginaria.

Gli autori non hanno solo tirato a indovinare; hanno derivato una regola matematica che funge da limite di velocità per il segnale di apprendimento del robot. Hanno dimostrato che la forza del segnale è limitata da quanta "immaginarietà" esiste tra le carte che il mixer connette, moltiplicata per quanto il punteggio cambia tra quelle carte. Se la parte immaginaria è zero, il segggio è zero. È come cercare di spingere un'auto con una gomma a terra; non importa quanto spingi (quanto cambi l'angolo), l'auto non si muoverà perché l'ingrediente essenziale (l'aria, o in questo caso, la parte immaginaria) manca.

Il team ha testato questa idea usando un puzzle classico chiamato "Max-Cut", che è come cercare di dividere un gruppo di amici in due squadre in modo che avvengano il maggior numero di discussioni tra le squadre piuttosto che all'interno di esse. Hanno simulato questo su piccoli computer per vedere se la loro teoria reggeva. Hanno scoperto che, in un mondo perfetto e privo di rumore, la regola funzionava esattamente come previsto: il segnale era strettamente limitato dalle connessioni immaginarie.

Ma i computer quantistici reali sono disordinati. Soffrono di "rumore", che è come l'interferenza su una radio o una raffica di vento che sposta le carte intorno. I ricercatori hanno controllato se la loro regola funzionava ancora aggiungendo tre tipi comuni di rumore: il flip di fase (che inverte il segno di una carta), la depolarizzazione (che rimescola la carta casualmente) e lo smorzamento dell'ampiezza (che fa scomparire una carta). Hanno scoperto che, anche con questo rumore, la regola restava valida, a patto di regolare la visione del "punteggio" per tenere conto del rumore stesso. Interessantemente, hanno scoperto un'insolita particolarità con un tipo di rumore (il flip di fase): esso poteva cancellare tutte le connessioni immaginarie nello stato finale, facendo apparire il robot come se avesse perso il suo "succo quantistico", eppure il segnale di apprendimento rimaneva esattamente lo stesso. Ciò suggerisce che il "succo immaginario" necessario per l'apprendimento è in realtà una proprietà dello stato prima che il rumore colpisca, non necessariamente dello stato finale disordinato.

Nelle loro simulazioni, i ricercatori hanno utilizzato piccoli gruppi di 4 a 8 bit (l'equivalente quantistico degli amici nel puzzle) e hanno testato l'idea con diversi livelli di rumore. Hanno scoperto che la misura dell'"immaginarietà" era un predittore molto migliore del segnale di apprendimento rispetto alla semplice osservazione della "coerenza" generale (che conta sia le connessioni reali che quelle immaginarie). È come rendersi conto che, per vincere un concorso di danza, non basta solo muoversi (coerenza); bisogna muoversi in un modo specifico e ritmato (immaginarietà).

Quindi, cosa significa questo per il futuro? L'articolo non sostiene di aver risolto il problema dell'addestramento dei computer quantistici, né dice che avere l'immaginarietà garantisca il successo. Anzi, sottolineano con cura che avere il succo immaginario è necessario ma non sufficiente; si può avere il succo e fallire comunque se gli altri ingredienti (come gli angoli specifici o la struttura del puzzle) non sono allineati. È come avere il carburante giusto in un'auto, ma questo non garantisce di raggiungere la destinazione se il conducente è perso o il motore è rotto. Tuttavia, questa scoperta è un tassello vitale della mappa. Dice che, se vogliamo addestrare efficacementamente questi robot quantistici, dobbiamo assicurarci che mantengano queste specifiche connessioni immaginarie. Senza di esse, il segnale del gradiente — la voce dell'insegnante — semplicemente non può esistere.

Lo studio funge da controllo di realtà per il settore. Suggerisce che, quando vediamo un computer quantistico faticare ad apprendere, non dovremmo dare la colpa solo al rumore o all'hardware; dovremmo controllare se lo stato quantistico ha perso la sua "immaginarietà". Se l'ha persa, nessun tentativo di aggiustamento aiuterà. I ricercatori hanno usato simulazioni esatte su piccole istanze per dimostrare i loro limiti matematici, mostrando che la teoria regge nella pratica, almeno per questi piccoli e controllati puzzle. Sebbene non si possa ancora dire come questo scala su problemi massicci e reali, la regola che hanno trovato è un vincolo solido e dimostrato per il mondo quantistico così come lo intendiamo oggi. Si scopre che, nel regno quantistico, a volte è davvero necessario pensare in modo "immaginario" per rendere le cose reali.