⚛️ quantum physics

Virtual quantum neural networks

Questo articolo introduce le "reti neurali quantistiche virtuali", un modello esteso che utilizza il campionamento casuale e l'elaborazione classica per incorporare combinazioni lineari di mappe completamente positive, migliorando così l'espressività e la robustezza al rumore per compiti come la mitigazione degli errori, la classificazione e la stima dell'energia su hardware quantistici a breve termine.

Autori originali: Benchi Zhao, Xuanqiang Zhao, Yinan Li, Yingzhou Li, Giulio Chiribella

Pubblicato 2026-09-11

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Benchi Zhao, Xuanqiang Zhao, Yinan Li, Yingzhou Li, Giulio Chiribella

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

Nell'attuale era del calcolo quantistico, le macchine sono abbastanza potenti da eseguire calcoli che metterebbero in crisi anche i più avanzati supercomputer classici, eppure rimangono fragili. Questi dispositivi, noti come processori quantistici a scala intermedia rumorosi (noisy intermediate-scale quantum processors), operano con alcune centinaia di minuscole unità chiamate qubit. Sebbene possano esplorare nuovi regni della fisica e della chimica, soffrono di un difetto fondamentale: l'interferenza ambientale causa errori che corrompono i dati quasi non appena vengono generati. Per rendere queste macchine utili, gli scienziati si affidano a un metodo chiamato reti neurali quantistiche. Pensate a questo come a un ciclo di apprendimento in cui un circuito quantistico, regolato da un insieme di manopole, elabora le informazioni e produce un output. Un computer classico controlla poi quanto quell'output sia vicino al risultato desiderato e regola le manopole per migliorare il tentativo successivo. Questo ciclo permette ai ricercatori di addestrare la macchina a risolvere problemi come l'identificazione di pattern nei dati o la ricerca dello stato energetico più stabile di una molecola, nonostante le imperfezioni dell'hardware. Tuttavia, questo approccio tradizionale è limitato perché può esplorare solo un percorso ristretto di possibili calcoli, limitato da ciò che la macchina fisica può effettivamente fare in una singola esecuzione.

Un team di ricercatori ha ora proposto un modo per abbattere questa barriera cambiando il modo in cui funziona il processo di apprendimento. Invece di fare affidamento su un singolo circuito quantistico per svolgere il lavoro pesante, hanno introdotto un nuovo modello chiamato rete neurale quantistica virtuale. In questo approccio, il computer non si limita a eseguire un singolo circuito; campiona casualmente molti circuiti diversi, ciascuno con le proprie impostazioni, ed li esegue sull'hardware quantistico. I risultati di queste molteplici esecuzioni non vengono semplicemente mediati. Invece, un computer classico prende i dati da tutti questi esperimenti separati e li combina utilizzando una specifica ricetta matematica. Questa ricetta prevede l'addizione e la sottrazione dei risultati in un modo che un singolo circuito fisico non potrebbe mai raggiungere da solo. Mescolando questi esiti, il sistema crea un'operazione "virtuale" che è molto più flessibile e potente di qualsiasi singolo circuito. È come se i ricercatori avessero trovato un modo per simulare una macchina molto più complessa unendo astutamente gli output di diverse macchine più semplici e rumorose.

I ricercatori hanno testato questa idea su tre sfide distinte per vedere se l'approccio virtuale offrisse vantaggi reali. Per prima cosa, hanno affrontato il problema della correzione degli errori causati da rumore ignoto. Nel calcolo quantistico standard, correggere gli errori richiede solitamente di sapere esattamente quale tipo di rumore stia influenzando la macchina. Il nuovo metodo, tuttavia, ha funzionato anche quando il rumore era un mistero. Addestrando la rete virtuale a invertire gli effetti del rumore, il team ha scoperto che il loro sistema poteva recuperare le informazioni corrette con un'accuratezza quasi perfetta, anche quando l'hardware sottostante era difettoso. Le simulazioni hanno dimosto che il metodo poteva trovare il modo migliore per cancellare gli errori, ottenendo prestazioni quasi pari a quelle di un sistema in cui il rumore fosse stato perfettamente compreso fin dall'inizio.

Successivamente, il team ha applicato il modello a un compito di classificazione binaria, che consiste essenzialmente nell'insegnare alla macchina a smistare i dati in due categorie, come distinguere tra due tipi di forme. In questo test, la rete virtuale ha costantemente superato i classificatori quantistici tradizionali. Quando i dati venivano inseriti nel sistema, la rete virtuale imparava a fare previsioni più accurate, anche quando i gate quantistici utilizzati per elaborare i dati erano rumorosi. I risultati hanno dimostrato che, permettendo al sistema di esplorare un intervallo più ampio di possibilità attraverso il campionamento casuale, la macchina diventava più robusta contro gli errori che tipicamente affliggono i dispositivi quantistici.

Infine, i ricercatori hanno utilizzato il loro metodo per stimare l'energia dello stato fondamentale di una molecola, un calcolo che determina la configurazione più stabile degli atomi ed è cruciale per comprendere le reazioni chimiche. Questo è un compito notoriamente difficile per i computer quantistici rumorosi perché piccoli errori possono portare a valori energetici del tutto errati. Il team ha introdotto un nuovo algoritmo basato sulla loro rete virtuale per risolvere questo problema. Le loro simulazioni hanno mostrato che, combinando gli output di molteplici circuiti rumorosi, il sistema poteva stimare l'energia della molecola con una precisione significativamente superiore rispetto ai metodi standard. La rete virtuale ha efficacementmente filtrato il rumore, permettendo ai ricercatori di avvicinarsi molto di più al vero valore fisico rispetto a quanto precedentemente possibile con lo stesso hardware.

Il nucleo centrale di questo lavoro è che i limiti dell'attuale hardware quantistico non sono necessariamente un vicolo cieco. Investendo più tempo nel campionamento di molteplici circuiti e utilizzando i computer classici per elaborare i risultati, gli scienziati possono sbloccare uno spazio molto più ampio di calcoli. Questo approccio non richiede di attendere macchine perfette e prive di errori; invece, utilizza in modo più intelligente i dispositivi rumorosi esistenti. La rete neurale quantistica virtuale funge da ponte, trasformando la debolezza del rumore in una variabile gestibile ed espandendo ciò che questi computer quantistici nelle prime fasi possono effettivamente raggiungere. Lo studio suggerisce che questo paradigma di apprendimento flessibile potrebbe diventare uno strumento standard per rendere l'hardware quantistico a breve termine più utile per applicazioni reali nella scienza e nell'ingegneria.

Sintesi Tecnica: Reti Neurali Quantistiche Virtuali

Problematica
Le Reti Neurali Quantistiche (QNN) sono un modello di punta per l'apprendimento automatico quantistico (QML) nell'era NISQ (Noisy Intermediate-Scale Quantum). Le QNN standard vengono addestrate minimizzando una funzione di perdita su una famiglia parametrizzata di circuiti quantistici, matematicamente descritti da operatori unitari o, più generalmente, da mappe CPTP (completamente positive e preservanti la traccia). Tuttavia, questo framework affronta un limite fondamentale: lo spazio di ottimizzazione è vincolato al sottoinsieme di mappe CPTP fisicamente realizzabili sull'hardware quantistico disponibile. Questa restrizione limita l'espressività del modello, spesso confinandolo a circuiti poco profondi, e rende il modello sensibile al rumore dell'hardware, che degrada le prestazioni all'aumentare della profondità del circuito.

Metodologia: Il Framework VQNN (Virtual Quantum Neural Network)
Gli autori propongono un modello esteso chiamato Virtual Quantum Neural Network (VQNN). Questo framework sfrutta il campionamento casuale e l'elaborazione post-classica per ampliare lo spazio di ottimizzazione oltre l'insieme delle mappe CPTP fisicamente implementabili.

Meccanismo Core: Invece di ottimizzare un singolo circuito quantistico, una VQNN campiona casualmente $N$ circuiti quantistici parametrizzati (rami). Siano questi circuiti rappresentati da mappe CPTP $C_i(\theta^{(i)})$ . La VQNN calcola una combinazione lineare dei valori di aspettativa ottenuti da questi rami, pesati da coefficienti reali $c_i$ .
Formulazione Matematica: L'operazione effettiva eseguita dalla VQNN è una combinazione lineare delle singole mappe:
$M(\theta, c) = \sum_{i=1}^N c_i C_i(\theta^{(i)})$
A differenza delle QNN standard, $M(\theta, c)$ non è limitata a essere una mappa CPTP. Essa appartiene alla classe più ampia di mappe preservanti l'Hermiticità (HP) (note anche come operazioni quantistiche virtuali).
Ciclo di Addestramento:
1. Campionamento: Lo stato di input $\rho_0$ è elaborato da uno dei $N$ circuiti scelti con probabilità $p_i = |c_i| / \|c\|_1$ .
2. Misurazione: Lo stato di output viene misurato per stimare il valore di aspettativa di un osservabile $O$ .
3. Post-elaborazione: Gli esiti delle misurazioni vengono aggregati classicamente per stimare l'argomento della funzione di perdita, $x(\theta, c) = \sum c_i \text{Tr}[O C_i(\theta^{(i)})(\rho_0)]$ .
4. Ottimizzazione: Un ottimizzatore classico (ad esempio Adam) aggiorna i parametri del circuito $\theta$ e i coefficienti $c$ per minimizzare la funzione di perdita $L = f(x(\theta, c))$ .
Overhead di Campionamento: Il costo di questa estensione è un "overhead di campionamento" proporzionale a $\|c\|_1 = \sum |c_i|$ . Il numero di round di campionamento necessari per stimare la funzione di perdita entro un certo limite di errore scala con $\|c\|_1^2$ .

Contributi Chiave e Applicazioni
Il documento dimostra l'efficacia delle VQNN attraverso tre compiti rappresentativi, mostrando come l'ampliamento dello spazio di ottimizzazione porti a una maggiore espressività e robustezza al rumore.

Mitigazione Variazionale dell'Errore Quantistico (VQEM):
- Obiettivo: Mitigare il rumore quantistico ignoto e non caratterizzato senza conoscenza pregressa del canale di rumore.
- Approccio: La VQNN viene addestrata per trovare una combinazione lineare di canali parametrizzati che approssimi l'inverso del canale di rumore ( $N^{-1}$ ). La funzione di perdita minimizza la distanza di Hilbert-Schmidt tra lo stato di output virtuale e lo stato target ideale (ad esempio, uno stato di Bell).
- Risultati: Le simulazioni numeriche mostrano che la VQEM raggiunge una mitigazione quasi ottimale per il rumore di depolarizzazione e di smorzamento di ampiezza (amplitude damping). Anche quando i circuiti variazionali stessi sono rumorosi, la VQNN può quasi recuperare le prestazioni di un circuito ideale privo di rumore aumentando il budget di campionamento.
Classificatore Quantistico Virtuale (VQC):
- Obiettivo: Classificazione binaria di dati classici codificati in stati quantistici.
- Approccio: Una VQC viene addestrata su dispositivi quantistici rumorosi dove le porte di codifica ed elaborazione sono soggette a rumore di depolarizzazione.
- Risultati: La VQC raggiunge costantemente un'accuratezza di predizione superiore sia sui dataset di training che su quelli di test rispetto ai classificatori convenzionali basati su QNN (che corrispondono a una VQNN con un budget di campionamento di 1.0). L'accuratezza migliora all'aumentare del budget di campionamento.
Virtual Variational Quantum Eigensolver (VVQE):
- Obiettivo: Stimare l'energia dello stato fondamentale di un Hamiltoniano (un compito di apprendimento non supervisionato).
- Approccio: Gli autori affrontano il problema per cui le combinazioni lineari di stati quantistici possono non essere matrici di densità valide (possono non essere semidefinite positive). Introducono una funzione di perdita che include un termine di penalità per la "negatività" dello stato mediato, approssimata tramite un'espansione di Chebyshev troncata.
- Risultati: Nella stima dell'energia dello stato fondamentale della molecola $HeH^+$ , la VVQE fornisce risultati significativamente più accurati rispetto alla VQE standard quando si utilizzano circuiti rumorosi, a condizione che venga allocato un budget di campionamento sufficiente.

Significato e Rivendicazioni
Il documento afferma che le VQNN offrono un paradigma di apprendimento flessibile che espande lo spazio delle computazioni realizzabili per l'hardware quantistico near-term. La significatività risiede in due vantaggi principali:

Espressività Potenziata: Ottimizzando su mappe HP anziché solo su mappe CPTP, le VQNN possono accedere a uno spazio di ottimizzazione più ampio. Ciò consente al modello di simulare operazioni complesse, come l'entanglement a lungo raggio, utilizzando combinazioni lineari di circuiti poco profondi, potenzialmente aggirando il problema dei "plateau barren" (barren plateaus) associato ai circuiti profondi.
Robustezza al Rumore Migliorata: Il framework funziona naturalmente come un protocollo variazionale di cancellazione probabilistica dell'errore. Imparando i coefficienti ottimali in presenza di rumore, la VQNN può parzialmente cancellare gli effetti del rumore, agendo efficacemente come un buffer contro le imperfezioni dell'hardware.

Gli autori concludono che le VQNN rappresentano una strategia per superare i limiti dell'hardware investendo risorse aggiuntive in campionamento e computazione classica, rafforzando così le applicazioni pratiche dei dispositivi NISQ.

Articoli simili