Quantum Representation Learning Beyond Pairwise Fidelity

Nel campo emergente del machine learning quantistico, i ricercatori stanno insegnando ai computer a riconoscere modelli non guardando i dati come liste di numeri, ma codificando quei dati negli stati delicati delle particelle quantistiche. Immaginate un computer quantistico come un vasto paesaggio invisibile dove ogni pezzo di informazione è un punto unico. Per apprendere, la macchina deve comprendere come questi punti si relazionino tra loro. Per anni, il metodo standard per misurare queste relazioni è stato quello di controllare la "fedeltà" tra coppie di punti. La fedeltà è essenzialmente una misura di quanto due stati quantistici si sovrappongano, simile a controllare quanto due ombre proiettate da oggetti diversi si sovrappongano su un muro. Questo controllo a coppie è stato il cavallo di battaglia del settore, organizzando i dati quantistici avvicinando gli elementi simili e allontanando quelli diversi. Tuttavia, una domanda fondamentale è rimasta sospesa: guardare solo due punti alla volta cattura la storia completa del mondo quantistico? La meccanica quantistica è famosa per la sua capacità di creare connessioni complesse che coinvolgono molte particelle simultaneamente, ed era poco chiaro se ridurre queste ricche interazioni a semplici coppie stesse scartando informazioni vitali.

Un team di ricercatori ha ora dimostrato che fare affidamento esclusivamente su questi confronti a coppie può lasciare un apprendente quantistico completamente cieco a certi cambiamenti continui nei dati. Hanno dimostrato che esistono specifiche famiglie di stati quantistici in cui la relazione tra qualsiasi due singoli punti rimane esattamente la stessa, anche mentre l'intero gruppo si sposta e si trasforma in modo continuo e significativo. In questi scenari, un sistema di apprendimento che guarda solo alle coppie non vedrebbe alcun cambiamento, come se i dati fossero congelati, anche se la struttura sottostante si sta evolvendo. I ricercatori hanno identificato che questa cecità avviene perché lo standard controllo a coppie perde i sottili pattern di interferenza che sorgono quando quattro o più stati interagiscono in un ciclo chiuso. Questi cicli creano una sorta di firma collettiva che non può essere ricostruita dalla somma di singole coppie.

Per risolvere questo problema, il team ha sviluppato un nuovo modo per "ascoltare" il sistema quantistico che cattura queste interazioni multi-stato. Invece di confrontare solo due stati, hanno costruito una misurazione che osserva la "purezza" collettiva di un gruppo di stati, controllando efficacemente quanto l'informazione sia intrecciata attraverso l'intero insieme. Questo nuovo segnale, che chiamano un osservabile relazionale, agisce come un operatore di batch che preserva l'interferenza tra molteplici percorsi. Fondamentalmente, questo segnale non è solo un concetto teorico; può essere misurato direttamente utilizzando una tecnica che coinvolge due copie dello stato quantistico. Interferendo queste due copie, i ricercatori possono estrarre un valore che rivela la struttura nascosta, anche quando le misurazioni standard a coppie non mostrano altro che una linea piatta. Hanno dimostito che questo nuovo segnale è addestrabile, il che significa che un algoritmo di apprendimento può usarlo per regolare le proprie impostazioni interne e migliorare la propria comprensione, proprio come farebbe con qualsiasi altro dato.

La potenza di questo approccio è stata testata in diversi scenari rigorosi. Per prima cosa, i ricercatori hanno creato un ambiente quantistico sintetico in cui conoscevano l'esatta struttura nascosta. Hanno dimostrato che, mentre un apprendente standard falliva nel distinguere tra diverse configurazioni perché i dati a coppie erano identici, il nuovo metodo identificava con successo la struttura corretta rilevando l'interferenza nascosta. Successivamente, hanno applicato questo allo studio dell'ordine topologico, una forma complessa di materia in cui le proprietà del sistema dipendono da schemi globali piuttosto che da dettagli locali. Hanno confrontato due tipi distinti di materia quantistica, noti come stati toric-code e double-semion. In questi sistemi, ogni possibile coppia di stati aveva sovrapposizioni identiche, rendendoli indistinguibili per i metodi tradizionali. Eppure, il nuovo segnale multi-stato li ha separati chiaramente, rivelando che possedevano dati modulari fondamentalmente diversi. Questa distinzione è rimasta valida anche quando gli stati quantistici erano soggetti a rumore e piccoli errori, provando la robustezza del metodo.

Infine, il team ha testato il proprio metodo in un esperimento simulato a quattro fotoni progettato per mimare le condizioni del mondo reale in cui gli stati quantistici derivano e cambiano nel tempo. In questo test, l'obiettivo era apprendere una fase collettiva, un valore continuo che descrive la relazione tra i fotoni. I ricercatori hanno scoperto che un apprendente che utilizza solo le fedeltà standard a coppie non riusciva a generalizzare a nuove condizioni non viste, producendo errori elevati. Tuttavia, quando l'apprendente è stato aumentato con il nuovo segnale multi-stato, il tasso di errore è sceso drasticamente. Nello specifico, l'errore medio nella previsione della fase è stato ridotto dell'86 percento, anche mantenendo costante la quantità totale di dati di misurazione. Questo risultato evidenzia che il miglioramento non è derivato dal semplice accumulo di più dati, ma dall'accumulo del tipo giusto di dati: dati che rispettano la natura collettiva della meccanica quantistica.

Queste scoperte suggeriscono un cambiamento significativo nel modo in cui il machine learning quantistico dovrebbe essere approcciato. Lo studio stabilisce che l'interfaccia di apprendimento stessa — il modo in cui scegliamo di misurare e presentare i dati all'algoritmo — è importante quanto i dati stessi. Passando oltre i limiti dei confronti a coppie e abbracciando osservabili che catturano l'interferenza di molteplici stati, i ricercatori possono sbloccare informazioni che erano precedentemente invisibili. Questo non significa che i vecchi metodi siano inutili, ma mostra che sono incompleti. La capacità di misurare e addestrare su questi segnali relazionali di ordine superiore apre la porta a sistemi di apprendimento quantistico più potenti e accurati, capaci di navigare la complessa e interconnessa geometria del mondo quantistico con una chiarezza che prima era fuori portata.