Comparing Classical and Quantum Machine Learning for Regression in High Energy Physics Collision Data

La fisica delle alte energie è la branca della scienza dedicata a scoprire i costituenti fondamentali dell'universo e le forze che li tengono insieme. Per vedere queste particelle minuscole, gli scienziati fanno scontrare protoni a velocità incredibili all'interno di enormi macchine chiamate collisionatori, creando una pioggia caotica di nuove particelle che volano in tutte le direzioni. I dati generati da queste collisioni sono immensi, riempiendo petabyte di memoria con i record del percorso e dell'energia di ogni particella. Per dare un senso a questo diluvio, i ricercatori si affidano al machine learning, una forma di intelligenza artificiale che impara a riconoscere schemi nei dati. Per decenni, i programmi informatici standard sono stati i cavalli di battaglia di questo campo, setacciando gli eventi di collisione per trovare segnali rari nascosti nel rumore. Recentemente, un nuovo contendente è entrato nell'arena: il quantum machine learning. Questo approccio utilizza le strane regole della meccanica quantistica — la fisica del mondo infinitesimale — per elaborare informazioni in modi che i computer classici non possono, offrendo potenzialmente una scorciatoia per i problemi di dati più difficili.

Un team di ricercatori si è posto l'obiettivo di testare se questo nuovo approccio quantistico potesse effettivamente competere con i metodi classici stabiliti su un compito specifico: predire il momento di una particella dopo una collisione. Si sono concentrati su un problema di regressione, che è essenzialmente un modo matematico per chiedere: "Se conosciamo la direzione in cui si muove una particella, quanto velocemente si sta muovendo?". Per farlo, hanno utilizzato dati simulati da collisioni protone-protone, guardando specificamente a eventi in cui la collisione ha prodotto coppie di elettroni o muoni. Hanno fornito ai modelli informatici le componenti trasversali del momento delle particelle e chiesto loro di calcolare la velocità totale. Hanno testato quattro diversi tipi di modelli di machine learning classico, che vanno da semplici strumenti statistici a reti complesse che imitano il cervello umano, e poi hanno costruito quattro versioni equivalenti utilizzando circuiti quantistici. L'obiettivo non era dichiarare immediatamente un vincitore, ma comprendere i compromessi tra le due tecnologie sotto i vincoli realistici dell'hardware attuale.

I risultati hanno mostrato che i modelli classici, in particolare quelli progettati per riconoscere schemi spaziali e sequenze, sono stati leggermente migliori nel compito. La rete classica più avanzata è stata in grado di predire le velocità delle particelle con un'accuratezza quasi perfetta, corrispondendo quasi esattamente ai valori reali. I modelli quantistici, tuttavia, non hanno raggiunto lo stesso livello di precisione. Quando i ricercatori hanno esaminato i numeri, i modelli classici hanno prodotto errori mediamente più piccoli. Eppure, la storia non è così semplice come "il classico vince, il quantistico perde". I modelli quantistici hanno ottenuto i loro risultati utilizzando una frazione delle risorse. L'esempio più sorprendente è stato un modello quantistico progettato per riconoscere schemi, che è riuscito ad avvicinarsi molto alle prestazioni del miglior modello classico utilizzando solo quattro piccole unità di informazione quantistica, chiamate qubit, e un circuito molto superficiale. Al contrario, il modello classico che ha ottenuto il punteggio più alto richiedeva migliaia di impostazioni regolabili per raggiungere lo stesso livello di abilità.

Questa differenza nell'uso delle risorse è il risultato più significativo dello studio. Il modello quantistico che ha utilizzato quattro qubit e un circuito con una profondità di tre strati è stato in grado di riprodurre le prestazioni di una rete classica profonda che richiedeva quasi tremila parametri regolabili. Sebbene il modello classico fosse leggermente più accurato, la versione quantistica era enormemente più efficiente in termini di numero di impostazioni necessarie per apprendere. Ciò suggerisce che i computer quantistici potrebbero non aver bisogno di essere massicci o perfetti per essere utili; anche con le loro attuali limitazioni, possono racchiudere molta potenza computazionale in uno spazio molto piccolo. I ricercatori hanno anche scoperto che un diverso modello quantistico, che utilizzava un metodo specifico per misurare la relazione tra i punti dati, era migliore nel cogliere le tendenze generali dei dati, ma occasionalmente commetteva errori isolati di grande entità. Ciò indica che, sebbene l'approccio quantistico sia promettente, presenta ancora delle peculiarità che devono essere levigate.

Lo studio conclude che, sebbene i computer classici detengano attualmente il primato in termini di accuratezza pura per questo specifico tipo di problema di fisica delle particelle, i modelli quantistici offrono un'alternativa convincente grazie alla loro estrema efficienza. I modelli quantistici hanno dimostrato di poter apprendere le stesse relazioni complesse con molte meno variabili, un vantaggio cruciale per il futuro quando l'hardware quantistico diventerà più potente e meno soggetto a errori. I ricercatori sottolineano che questi risultati derivano da simulazioni eseguite su computer standard, non su macchine quantistiche reali, quindi il passo successivo è testare queste idee su hardware quantistico reale per vedere come il rumore e i limiti fisici influenzino le prestazioni. Per ora, il lavoro fornisce un chiaro punto di riferimento: il quantum machine learning non è solo una curiosità teorica, ma uno strumento pratico che può già competere con i metodi classici utilizzando una frazione della memoria e delle impostazioni, puntando verso un futuro in cui queste due tecnologie potrebbero lavorare insieme per risolvere i puzzle più complosi della fisica.