Predicting Multipartite Entanglement in Quantum Circuits using Transformer

Nel campo emergente dell'informatica quantistica, gli scienziati stanno cercando di costruire macchine in grado di risolvere problemi che vanno ben oltre la portata dei computer odierni. Queste macchine future si basano su una strana proprietà chiamata entanglement, in cui le particelle diventano così profondamente legate che lo stato di una influenza istantaneamente le altre, indipendentemente da quanto siano lontane tra loro. Per far funzionare queste macchine, i ricercatori progettano complessi progetti chiamati circuiti quantistici, ovvero sequenze di operazioni che manipolano queste particelle. Una sfida critica in questo campo è sapere se un progetto specifico sia valido. Se un circuito non riesce a generare abbastanza entanglement, fallisce nel produrre la potenza quantistica unica necessaria per velocità e precisione. Tuttavia, verificare se un circuito sia davvero efficace è incredibilmente difficile. Il metodo standard richiede l'esecuzione di migliaia di simulazioni casuali su un computer per misurare l'entanglement, un processo che diventa così lento e costoso da bloccare efficacemente i ricercatori dal testare i migliaia di nuovi progetti necessari per trovare i migliori.

Per superare questo collo di bottiglia, un team di ricercatori dall'Indonesia e dalla Cina ha sviluppato un nuovo strumento di intelligenza artificiale in grado di prevedere la potenza di entanglement di un circuito quantistico quasi istantaneamente. Invece di eseguire le lente e pesanti simulazioni, hanno addestrato un sofisticato modello informatico per esaminare la struttura di un circuito e intuirne le prestazioni. Il team si è concentrato su due modi specifici di misurare l'entanglement: un metodo standard che osserva come le singole particelle siano collegate, e un metodo più avanzato che controlla come gruppi di tre o più particelle siano connessi simultaneamente. I ricercatori hanno scoperto che, mentre il metodo standard fornisce un'idea generale, il metodo avanzato rivela dettagli nascosti sulla struttura del circuito che il metodo standard perde completamente. Insegnando al loro modello a riconoscere entrambi, hanno creato un sistema capace di distinguere tra circuiti che appaiono simili in superficie ma che hanno capacità interne molto diverse.

I ricercatori hanno costruito il loro strumento utilizzando un dataset di cinquantamila diversi circuiti quantistici, che vanno da quattro a otto particelle. Non si sono limitati a fornire al modello una semplice lista di passaggi; al contrario, gli hanno insegnato a vedere il circuito in due modi diversi contemporaneamente. Una visione trattava il circuito come una linea temporale di eventi, mostrando l'ordine in cui avvenivano le operazioni. L'altra visione, che il team ha inventato, mappava il circuito come una rete di connessioni, concentrandosi su quali particelle interagissero tra loro e con quale frequenza, indipendentemente dal tempo. Fondendo queste due prospettive, il modello ha imparato a comprendere la profonda geometria del sistema quantistico. Nei test, il modello si è dimostrato straordinariamente accurato. Poteva prevedere il punteggio di entanglement standard con un margine di errore inferiore al quattro percento e il punteggio avanzato con un margine di errore inferiore al quattro percento anch'esso. Più importante ancora, era eccellente nel classificare i circuiti, identificando correttamente quali progetti fossero i più forti e quali i più deboli, un compito che è spesso più prezioso per gli ingegneri rispetto alla conoscenza del numero esatto.

Questo approccio offre un enorme vantaggio in termini di velocità. Mentre il metodo tradizionale per controllare un singolo circuito potrebbe richiedere minuti o ore di tempo computazionale, il nuovo modello può valutare migliaia di progetti nel tempo di un battito di ciglia. Nei loro test, i ricercatori hanno dimostrato che l'uso di questo strumento poteva ridurre il numero di costose simulazioni necessarie per trovare i migliori progetti di un fattore da cinque a sei. Ciò significa che gli scienziati possono ora esplorare una varietà molto più ampia di progetti di circuiti senza rimanere bloccati nel fango computazionale. Lo studio ha anche rivelato un'intuizione fisica su come funzionano questi circuiti: rendere un circuito semplicemente più lungo o più profondo non lo rende sempre migliore. I ricercatori hanno scoperto che la densità di specifici tipi di operazioni conta più della lunghezza totale, e che oltre un certo punto, aggiungere ulteriori strati smette effettivamente di migliorare l'entanglement. Ciò suggerisce che i circuiti quantistici più potenti potrebbero essere più compatti di quanto precedentemente pensato.

Il successo di questo progetto suggerisce una nuova strada per la progettazione di computer quantistici. Utilizzando questo predittore veloce e accurato, i ricercatori possono escludere rapidamente i progetti deboli e concentrare le loro risorse sui candidati più promettenti. Il team ha confermato che il successo del loro modello derivava dalla sua capacità di vedere la rete di connessioni tra le particelle, non solo dal possedere un cervello informatico più grande. Questa distinzione è cruciale, poiché dimostra che comprendere il modo specifico in cui le particelle interagiscono è più importante che elaborare semplicemente più dati. Mentre il campo si muove verso la costruzione di macchine quantistiche più grandi e complesse, strumenti come questo saranno essenziali per navigare nel vasto panorama di possibili progetti, garantendo che i circuiti costruiti non siano solo complessi, ma realmente capaci di sfruttare tutto il potere dell'entanglement quantistico.