⚛️ quantum physics

Quantum Hamiltonian Evolution for Coherent Quantum Learning

Questo articolo introduce il Coherent Quantum Learning (CQL), un framework di addestramento che evolve i registri dei parametri quantistici sotto un Hamiltoniano che codifica la funzione di perdita per concentrare le ampiezze di probabilità sulle soluzioni ottimali tramite interferenza, eliminando così la necessità di cicli di ottimizzazione basati su gradienti classici.

Autori originali: Ignacio B. Acedo, Javier Gonzalez-Conde, Pablo Rodriguez-Grasa, Barry C. Sanders, Lirandë Pira

Pubblicato 2026-09-04

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Ignacio B. Acedo, Javier Gonzalez-Conde, Pablo Rodriguez-Grasa, Barry C. Sanders, Lirandë Pira

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Nel mondo dell'informatica moderna, l'apprendimento è solitamente un processo di tentativi ed errori guidato da una calcolatrice. Un modello computazionale fa un tentativo, controlla quanto sia errato e poi un programma separato calcola la direzione da seguire per migliorare. Questo avviene passo dopo passo, con il computer che si ferma costantemente per misurare i propri progressi e regolare le proprie impostazioni. Questo metodo funziona bene, ma tratta il processo di apprendimento come una serie di passi disconnessi, ignorando il modo unico in cui si comportano i sistemi quantistici. I computer quantistici operano su principi secondo cui le particelle possono esistere in molti stati contemporaneamente e dove questi stati possono interferire tra loro, proprio come le onde in uno stagno. Per anni, gli scienziati si sono chiesti se l'atto stesso dell'apprendimento potesse essere reso capace di seguire queste regole quantistiche, piuttosto che limitarsi a usare macchine quantistiche per eseguire algoritmi di apprendimento alla vecchia maniera.

Un team di ricercatori ha proposto un nuovo modo per addestrare i modelli quantistici chiamato Coherent Quantum Learning (Apprendimento Quantistico Coerente). Invece di fermarsi per misurare e calcolare, questo approccio permette all'apprendimento di avvenire come un flusso continuo e fluido di energia. In questo sistema, le impostazioni del modello non sono numeri fissi che un computer cambia uno alla volta. Al contrario, queste impostazioni sono trattate come variabili quantistiche che esistono in una sovrapposizione di tutti i valori possibili contemporaneamente. I ricercatori hanno progettato un particolare paesaggio energetico, o "Hamiltoniano", che codifica l'obiettivo del compito di apprendimento. Mentre il sistema evolve sotto questo paesaggio energetico, le onde quantistiche interferiscono naturalmente tra loro. Questa interferenza annulla le risposte errate e amplifica quelle corrette, facendo sì che la probabilità di trovare le migliori impostazioni cresca senza che un calcolatore esterno dica al sistema cosa fare.

I ricercatori hanno dimostrato questo concetto attraverso simulazioni al computer che coinvolgevano due diversi compiti. Nel primo, hanno addestrato un modello quantistico per classificare punti dati in due categorie, come distinguere tra numeri all'interno di un intervallo specifico e numeri all'esterno di esso. Sono partiti con le impostazioni del modello distribuite uniformemente tra tutte le possibilità. Man mano che il sistema evolveva, la probabilità di trovare le impostazioni corrette ha iniziato a concentrarsi in aree specifiche, formando picchi netti dove l'errore era minimo. La simulazione ha mostrato che il sistema ha appreso con successo il compito, con lo stato finale del sistema quantistico che evidenziava le impostazioni ottimali con la stessa efficacia dei metodi tradizionali, ma senza mai aver bisogno di calcolare un gradiente o effettuare una misurazione classica durante il processo.

Il secondo esempio coinvolgeva un problema fisico piuttosto che un compito di analisi dati: stimare uno spostamento di fase sconosciuto in un raggio di luce. Questa è una sfida comune nella fisica di precisione, dove uno scienziato deve trovare un valore nascosto osservando come cambia un'onda. I ricercatori hanno impostato una simulazione in cui il valore sconosciuto era codificato nell'ambiente, e al sistema quantistico era stato chiesto di trovare l'impostazione corrispondente per annullare la differenza. Ancora una volta, il sistema è evoluto fluidamente, e la distribuzione di probabilità delle impostazioni si è spostata finché non si è focalizzata strettamente sul valore corretto. I risultati hanno confermato che la dinamica quantistica poteva risolvere il problema guidando naturalmente il sistema verso la soluzione, eseguendo l'apprendimento efficacemente come un processo fisico.

Una parte fondamentale di questo lavoro è il modo in cui gestisce grandi quantità di dati. Nell'apprendimento automatico standard, i modelli spesso imparano da piccoli gruppi di dati alla volta per evitare di essere sopraffatti. I ricercatori hanno dimostrato che il loro metodo può fare lo stesso. Hanno progettato un protocollo in cui il sistema apprende da un gruppo di dati (batch), e lo stato risultante del sistema viene immediatamente utilizzato come punto di partenza per il gruppo successivo. Ciò consente al sistema di conservare ciò che ha appreso dai gruppi precedenti pur adattandosi alle nuove informazioni, impedendogli di dimenticare le lezioni precedenti. Le simulazioni hanno indicato che, controllando attentamente come il sistema evolve nel tempo, è possibile bilanciare l'apprendimento dal gruppo attuale con il ricordo del passato, proprio come uno studente che affina la propria comprensione attraverso una serie di lezioni.

L'articolo sostiene che questo approccio offre un cambiamento fondamentale nel modo in cui pensiamo all'addestramento dei modelli quantistici. Gli attuali metodi si affidano a un ciclo ibrido in cui un computer classico svolge il grosso del lavoro di ottimizzazione, lasciando al computer quantistico il semplice compito di fornire punti dati. Questo nuovo quadro suggerisce che l'apprendimento può essere intrinseco al sistema quantistico stesso. Promuovendo i parametri di apprendimento a gradi di libertà quantistici, il sistema utilizza le leggi naturali della meccanica quantistica — sovrapposizione e interferenza — per trovare la soluzione migliore. Sebbene i risultati presentati si basino su simulazioni numeriche e non siano ancora stati applicati su hardware fisico, il lavoro fornisce una chiara tabella di marcia su come i futuri computer quantistici potrebbero apprendere in un modo nativo rispetto alla loro fisica, offrendo potenzialmente vantaggi in termini di velocità ed efficienza per compiti complessi.

Riepilogo Tecnico: Evoluzione dell'Hamiltoniana Quantistica per l'Apprendimento Quantistico Coerente

Definizione del Problema

Gli approcci attuali all'Apprendimento Automatico Quantistico (QML) si basano prevalentemente su un paradigma ibrido in cui i modelli quantistici vengono addestrati utilizzando cicli di ottimizzazione classica. In questo standard framework, i circuiti quantistici parametrizzati vengono valutati in specifiche impostazioni di parametri, i gradienti vengono stimati tramite misurazioni ripetute (ad esempio, utilizzando la regola dello spostamento dei parametri o parameter-shift rule) e i parametri vengono aggiornati da un ottimizzatore classico. Questo processo mantiene una dinamica classica: la coerenza, la sovrapposizione e l'interferenza quantistica non giocano alcun ruolo attivo nel meccanismo di addestramento stesso.

Questa dipendenza dall'ottimizzazione classica introduce diversi limiti:

Incertezza Statistica: L'ottimizzazione ibrida eredita il rumore dalle misurazioni quantistiche.
Plateau Sterili (Barren Plateaus): I circuiti parametrizzati espressivi soffrono spesso di gradienti evanescenti che scalano esponenzialmente con la dimensione del sistema, ostacolando la trainabilità.
Vincoli Fondamentali: La backpropagation classica non può essere trasferita direttamente ai sistemi quantistici senza l'accesso a molteplici copie dello stato quantistico, poiché il collasso della misurazione impedisce il riutilizzo delle informazioni intermedie.

Il documento postula che l'apprendimento debba essere formulato come un processo fisico quantistico nativo piuttosto che come un algoritmo classico applicato a un modello quantistico.

Metodologia: Apprendimento Quantistico Coerente (CQL)

Gli autori introducono l'Apprendimento Quantistico Coerente (Coherent Quantum Learning - CQL), un framework in cui l'addestramento di un modello quantistico è realizzato come un'evoluzione unitaria coerente dei parametri del modello stesso.

Concetto Centrale

In CQL, i parametri del modello $\theta$ vengono promossi a gradi di libertà quantistici. Invece di un ottimizzatore classico che aggiorna $\theta$ basandosi su stime del gradiente, il registro dei parametri evolve sotto un'Hamiltoniana tempo-dipendente $\hat{H}_{CQL}(t)$ che codifica l'obiettivo di apprendimento (funzione di perdita).

L'Hamiltoniana è definita come:
$\hat{H}_{CQL}(t) = e^{\phi(t)} \left( -\frac{1}{2} \hat{P}_\theta^2 \right) + e^{\chi(t)} \hat{H}_L(x, \hat{\theta})$
Dove:

$\hat{P}_\theta$ è l'operatore di momento nella base dei parametri (agendo come termine cinetico per l'esplorazione).
$\hat{H}_L(x, \hat{\theta})$ è un'Hamiltoniana diagonale che codifica la funzione di perdita $L(x, \theta)$ .
$e^{\phi(t)}$ ed $e^{\chi(t)}$ sono programmi di smorzamento tempo-dipendenti che controllano l'equilibrio tra esplorazione cinetica e convergenza guidata dal potenziale.

Implementazione Tecnica

Per implementare questo approccio su un computer quantistico a porte, gli autori impiegano diverse tecniche algoritmiche quantistiche avanzate:

Discretizzazione e Dimensione dell'Orologio (Clock Dimension): Lo spazio dei parametri continuo viene discretizzato utilizzando $m$ qubit. Per gestire la dipendenza temporale dell'Hamiltoniana (che non è nativa al modello a porte), gli autori utilizzano una tecnica di "dimensione dell'orologio". Ciò comporta l'ampliamento dello spazio di Hilbert con un registro di clock ancillare, trasformando l'Hamiltoniana tempo-dipendente in una tempo-indipendente dove la dipendenza temporale è codificata come un operatore di posizione nel registro dell'orologio.
Block Encoding e Simulazione dell'Hamiltoniana: L'Hamiltoniana della perdita $\hat{H}_L$ $\hat{H}_{L}$ è costruita utilizzando il block encoding. Un elemento fondamentale è un'unitarietà di valutazione del modello coerente $U_{x,\theta}$ $U_{x, θ}$ che valuta il modello quantistico simultaneamente su tutti i valori dei parametri nella griglia.
- Per un compito di classificazione binaria, la perdita è correlata alla probabilità di classificazione corretta. Gli autori costruiscono un block encoding della radice quadrata dell'operatore di perdita utilizzando tecniche di conversione ampiezza-a-diagonale (facendo riferimento al Rif. [46]).
- La piena Hamiltoniana della perdita è ottenuta moltiplicando i block encoding degli operatori radice quadrata.
Qubitization: L'evoluzione temporale dello stato iniziale (tipicamente una sovrapposizione uniforme sullo spazio dei parametri) è implementata tramite qubitization, consentendo una simulazione efficiente della dinamica dell'Hamiltoniana.
Addestramento a Batch (Batched Training): Per affrontare la scalabilità per grandi dataset, gli autori propongono una strategia di batched CQL iterativa. Il dataset viene partizionato in mini-batch. Il sistema evolve sotto l'Hamiltoniana del primo batch, e lo stato quantistico risultante funge da condizione iniziale per il batch successivo. Questo processo sequenziale evita la necessità di un registro ancillare massiccio per codificare l'intero dataset simultaneamente.

Contributi Chiave

Definizione del Framework: La proposta di CQL come un framework di apprendimento generale in cui l'apprendimento è un processo quantistico coerente, eliminando la necessità di stima del gradiente classico e cicli di feedback.
Costruzione Esplicita: Una dettagliata costruzione algoritmica per circuiti parametrizzati arbitrari utilizzando block encodings, simulazione dell'Hamiltoniana e il metodo della dimensione dell'orologio per gestire la dipendenza temporale.
Versatilità: La dimostrazione che il framework si applica non solo a compiti standard di machine learning (addestramento di circuiti quantistici variazionali) ma anche a problemi di inferenza fisica (stima di parametri ignoti di un'Hamiltoniana).
Protocollo a Batch: Una strategia di addestramento sequenziale a batch che bilancia l'adattamento locale con la generalizzazione globale, analogamente ai metodi mini-batch della computazione classica, ma implementata tramite evoluzione di stati quantistici.

Risultati Numerici

Gli autori validano il framework attraverso due esperimenti numerici:

Classificazione Binaria:
- Configurazione: Un modello di data re-uploading a singolo qubit con due parametri addestrabili, addestrato su un compito di classificazione binaria 1D.
- Risultato: Partendo da una sovrapposizione uniforme, la distribuzione di probabilità dello stato dei parametri evolve sotto l'Hamiltoniana CQL. La distribuzione si concentra progressivamente attorno ai minimi del panorama della perdita (loss landscape). Lo stato finale esibisce una distribuzione bimodale corrispondente ai parametri ottimali, eguagliando le prestazioni dei metodi basati sul gradiente ma senza il calcolo esplicito del gradiente.
Stima della Fase Interferometrica:
- Configurazione: Apprendimento di uno spostamento di fase $\phi$ ignoto in un interferometro di Mach–Zehnder. La fase controllabile $\theta$ è il parametro da apprendere.
- Risultato: L'evoluzione coerente guida la funzione d'onda verso il minimo globale del panorama della perdita interferometrica ( $L \propto \sin^2((\theta-\phi)/2)$ ). L'ampiezza di probabilità si localizza attorno alla vera fase ignota $\phi$ , dimostrando un successo nella stima dei parametri senza passaggi di ottimizzazione classica.

Significato e Rivendicazioni

Il documento afferma che CQL rappresenta un cambio di paradigma nel modo in cui l'apprendimento quantistico viene formulato. Trattando l'apprendimento come un processo fisico governato dalla dinamica quantistica, il framework sfrutta la sovrapposizione e l'interferenza come risorse computazionali attive.

Addestramento Quantistico Nativo: A differenza degli approcci ibridi che impongono strutture classiche sui sistemi quantistici, CQL utilizza principi nativi della meccanica quantistica.
Potenziali Vantaggi: Gli autori suggeriscono che l'ottimizzazione basata su Hamiltoniana potrebbe offrire vantaggi computazionali dimostrabili rispetto all'ottimizzazione classica in determinati contesti, mitigando potenzialmente problemi come i plateau sterili e il rumore di misurazione.
Scalabilità: La costruzione è compatibile con architetture di calcolo quantistico fault-tolerant e si estende all'addestramento a batch, rendendola un candidato valido per future applicazioni di apprendimento quantistico su larga scala.

Il lavoro conclude che, mentre gli attuali sforzi nella QML spesso cercano di riprodurre i paradigmi di addestramento classici in contesti quantistici, un approccio più fondamentale potrebbe essere quello di considerare l'apprendimento stesso come un'evoluzione quantistica coerente.