Continuous-Time Quantum Walks based Graph Neural Network

Nel mondo digitale, gran parte dei nostri dati non è disposta in file e colonne ordinate come un foglio di calcolo, ma piuttosto come intricati intrecci di connessioni. Pensate a una rete sociale dove le persone sono collegate da amicizie, una mappa stradale dove le città sono unite da strade, o un sistema biologico dove le proteine interagiscono tra loro. Per dare un senso a queste strutture complesse, gli scienziati utilizzano un tipo di intelligenza artificiale chiamata Rete Neurale a Grafo (Graph Neural Network). Questi sistemi sono progettati per apprendere dalla forma stessa dei dati, comprendendo come un pezzo di informazione influenzi i suoi vicini. Per anni, questi strumenti sono stati incredibilmente efficaci in compiti come la raccomandazione di prodotti o la previsione del traffico, ma hanno portato con sé due pesanti fardelli che ne limitano il potenziale.

Il primo fardello è un pregiudizio verso la somiglianza. La maggior parte di queste reti opera sull'assunto che le cose connesse siano simili, proprio come accade quando gli amici condividono spesso interessi simili. Questo funziona bene quando le connessioni sono forti e uniformi, ma fallisce miseramente quando le connesszioni collegano cose molto diverse. In molti scenari del mondo reale, come una reazione chimica in cui atomi diversi si legano per creare qualcosa di nuovo, o una rete finanziaria in cui entità distinte interagiscono, i vicini sono fondamentalmente differenti. I vecchi strumenti, che levigano le differenze per trovare un terreno comune, faticano ad apprendere da queste relazioni diverse. Il secondo fardello è un problema di profondità. Per apprendere schemi complessi, queste reti devono essere profonde, sovrapponendo molti strati di elaborazione l'uno sull'altro. Tuttavia, man mano che diventano più profonde, i dettagli unici di ogni pezzo di informazione tendono a svanire, facendo sì che ogni singolo nodo della rete appaia esattamente uguale. Questo fenomeno, noto come sovra-levigatura (over-smoothing), costringe questi sistemi a rimanere superficiali e limita la loro capacità di risolvere problemi difficili.

Un team di ricercatori della Renmin University of China ha proposto un nuovo approccio per sciogliere simultaneamente questi due nodi. Invece di cercare di risolvere separatamente il problema della levigatura e il problema della somiglianza, hanno costruito un nuovo tipo di rete ispirata alla fisica della meccanica quantistica. Nello specifico, hanno utilizzato un concetto chiamato Cammino Quantistico a Tempo Continuo (Continuous-Time Quantum Walk). Nel mondo classico, se si versasse una goccia d'inchiostro in un bicchiere d'acqua, questa si diffonderebbe lentamente e si diluirebbe finché l'acqua non risulterebbe uniformemente colorata. È così che le reti tradizionali muovono l'informazione: essa si diffonde e sbiadisce. Nel mondo quantistico, tuttavia, una particella non si diffonde; viaggia come un'onda. Questa onda può interferire con se stessa, creando schemi di picchi e valli che preservano l'identità distinta della particella mentre si muove. I ricercatori si sono resi conto che utilizzando questo movimento ondulatorio per guidare la loro rete, potevano impedire all'informazione di svanire e potevano anche catturare le differenze tra i nodi connessi.

Il nuovo sistema, che gli autori chiamano CTQW-GNN, opera eseguendo tre diversi tipi di processi di raccolta delle informazioni contemporaneamente. Il primo processo utilizza il movimento ondulatorio ispirato alla meccania quantistica per diffondere l'informazione attraverso la rete. Poiché questo movimento si basa sulle leggi della fisica quantistica, esso preserva la quantità totale di informazione e non permette che essa si degradi in una sfocatura. Ciò consente alla rete di vedere dettagli ad alta frequenza e differenze tra i nodi che altri metodi perdono. Il secondo processo utilizza i pattern creati dal cammino quantistico per trovare connessioni tra nodi che sono lontani, anche se non sono direttamente collegati. Questo aiuta la rete a trovare amici lontani che condividono tratti simili, un compito in cui i metodi standard spesso falliscono. Il terzo processo è un approccio più tradizionale che si concentra sui vicini immediati, assicurando che il sistema funzioni bene anche su grafi in cui tutto è simile. Combinando questi tre flussi di informazione, la rete crea un quadro ricco e dettagliato dei dati che né i vecchi metodi né il nuovo metodo quantistico potrebbero raggiungere da soli.

I ricercatori hanno testato questo nuovo sistema su quattordici diversi dataset, che spaziano dalle reti sociali alle strutture chimiche. I risultati sono stati sorprendenti. Su ogni singolo dataset, il nuovo sistema ha superato i migliori metodi esistenti. Sui grafi in cui i nodi connessi erano molto diversi tra loro, il nuovo sistema ha migliorato l'accuratezza in modo significativo, dimostrando di poter apprendere con successo da relazioni diverse senza perdere la strada. Sui grafi in cui i nodi erano molto simili, ha performato altrettanto bene dei migliori strumenti tradizionali, mostrando di non aver sacrificato la sua capacità di gestire dati uniformi. Forse soprattutto, i ricercatori hanno osservato che, rendendo la rete sempre più profonda, l'informazione non collassava in una sfocatura uniforme. Le caratteristiche uniche di ogni nodo rimanevano distinte, anche dopo essere passate attraverso molti strati di elaborazione. Ciò ha confermato che l'approccio ispirato alla meccanica quantistica ha risolto con successo il problema della sovra-levigatura che ha afflitto il campo per anni.

Per garantire che non si trattasse solo di un colpo di fortuna, il team ha fornito una rigorosa spiegazione matematica del perché il loro metodo funzioni. Hanno dimostrato che il cammino quantistico agisce come uno specchio perfetto per l'informazione, riflettendola senza assorbirne l'energia. Questa proprietà garantisce che la rete possa andare profonda quanto necessario senza perdere i dettagli che rendono unico ogni nodo. Hanno anche stabilito una regola su quanto debba durare il cammino quantistico, assicurando che il sistema catturi la giusta quantità di informazione sia dai vicini prossimi che da quelli lontani. Il costo computazionale di questo nuovo metodo è sorprendentemente basso, eguagliando la velocità degli strumenti più efficienti esistenti, il che significa che può essere utilizzato su enormi dataset senza rallentare.

Questo lavoro rappresenta un passo avanti significativo nel campo dell'intelligenza artificiale. Prendendo in prestito un principio dal mondo subatomico, i ricercatori hanno creato uno strumento che è più robusto, più flessibile e più potente di ciò che è venuto prima. Dimostra che i limiti dell'attuale IA non sono necessariamente barriere permanenti, ma possono essere superati ripensando alle regole fondamentali di come fluisce l'informazione. Il nuovo sistema non si limita a tappare i buchi dei vecchi modelli; costruisce una nuova fondamenta che permette alle macchine di comprendere le strutture complesse, diverse e profonde del mondo reale con una chiarezza che prima era fuori portata.