Nel vasto panorama della scienza moderna, molti dei problemi più difficili sono scritti nel linguaggio delle equazioni differenziali. Queste sono descrizioni matematiche di come le cose cambiano nel tempo e nello spazio, governando tutto, dal flusso dell'aria su un'ala alla diffusione del calore attraverso una barra di metallo. Per decenni, gli scienziati si sono affidati a potenti computer per risolvere queste equazioni, ma i calcoli possono essere incredibilmente lenti e dispendiosi in termini di risorse, specialmente quando le condizioni cambiano leggermente e l'intero calcolo deve essere ricominciato da capo. Un campo più recente, noto come machine learning, ha offerto una strada diversa: invece di risolvere le equazioni passo dopo passo, i computer possono essere addestrati per riconoscere i pattern della soluzione stessa, imparando a prevedere il risultato quasi istantaneamente. Un approccio di successo in questo campo è chiamato DeepONet, che agisce come una rete neurale specializzata progettata per apprendere queste complesse relazioni. Tuttavia, man mano che questi problemi diventano più intricati, i ricercatori guardano verso un tipo di potenza di calcolo completamente diverso: la meccanica quantistica. Questo campo utilizza le strane regole del mondo subatomico per elaborare informazioni in modi in cui i computer classici non possono, offrendo il potempo di esplorare vaste possibilità simultaneamente. La domanda che guida la ricerca recente è se queste macchine quantistiche possano essere insegnate a imparare queste complesse relazioni matematiche con la stessa efficacia dei loro omologhi classici, e se possano offrire un percorso più fluido ed efficiente.

Un team di ricercatori dell'Università di Pittsburgh ha sviluppato un nuovo metodo per rispondere a questa domanda, creando un sistema che chiamano Quantum Operator Network. Il loro lavoro colma il divario tra l'architettura stabilita di DeepONet e il mondo emergente dei circuiti quantistici. In questo nuovo sistema, i componenti tradizionali del computer che di solito svolgono il lavoro pesante dell'apprendimento sono sostituiti da circuiti quantistici variazionali. Questi sono disposizioni di bit quantistici, o qubit, che sono controllati da impostazioni regolabili, molto simili alle manopole di una radio che sintonizzano una stazione specifica. I ricercatori hanno progettato questi circuiti affinché agissero come approssimatori universali, il che significa che hanno la capacità teorica di apprendere qualsiasi funzione continua, proprio come le reti neurali che sostituiscono. Sostituendo le parti standard del computer con questi circuiti quantistici, il team ha creato un modello ibrido che può apprendere sia semplici relazioni lineari che complesse relazioni non lineari, mappando efficacementamente l'input di un problema fisico alla sua soluzione.

Per testare la loro creazione, i ricercatori hanno sottoposto il Quantum Operator Network a una serie di prove rigorose che coinvolgevano diversi tipi di equazioni fisiche. Hanno chiesto al sistema di imparare come trovare l'antiderivata di una funzione, un'operazione fondamentale nel calcolo, e poi sono passati a scenari più complessi come la diffusione del calore e i processi di reazione-diffusione che descrivono come le sostanze chimiche si diffondono e interagiscono. Infine, lo hanno sfidato con l'equazione di Burgers, un modello non lineare utilizzato per descrivere la fluidodinamica e le onde d'urto. In ogni caso, il modello quantistico è stato addestrato su dati generati da queste equazioni, imparando a prevedere il risultato per nuovi input mai visti prima. I risultati sono stati sorprendenti. Anche con circuiti molto superficiali — il che significa che la configurazione quantistica non era particolarmente profonda o complessa — il modello ha raggiunto bassi tassi di errore. Ha appreso bene i dati di addestramento e, cosa cruciale, si è generalizzato efficacemente su nuovi dati che non aveva mai visto prima. Il sistema ha performato in modo coerente in tutte le diverse equazioni, dimostrando di poter gestire sia i compiti più semplici che quelli altamente complicati con la stessa facilità.

Uno dei risultati più significativi di questa ricerca riguarda la stabilità del processo di addestramento. Nel mondo del machine learning quantistico, esiste un ostacolo ben noto chiamato "barren plateau" (altopiano sterile). Questa è una situazione in cui il processo di addestramento si blocca perché i segnali che guidano il computer su come migliorare diventano così deboli da svanire del tutto, lasciando il sistema incapace di apprendere. È l'equivalente quantistico del cercare di trovare un sentiero giù da una montagna in una nebbia fitta dove il terreno è perfettamente piatto. I ricercatori hanno scoperto che il loro nuovo metodo evita completamente questo problema. Durante i loro esperimenti, la perdita di addestramento è diminuita in modo fluido e costante senza bloccarsi in queste zone piatte e improduttive. Questo comportamento fluido suggerisce che il modo specifico in cui hanno costruito i loro circuiti quantistici, utilizzando una tecnica chiamata data reuploading e misurando i singoli qubit piuttosto che l'intero sistema in una volta, crea un panorama molto più amichevole da navigare per il computer. Questa stabilità è un grande vantaggio, poiché significa che il sistema è affidabile e non richiede condizioni iniziali perfette per avere successo.

Lo studio ha anche esplorato come la dimensione del modello influenzi le sue prestazioni. I ricercatori hanno variato il numero di qubit e la profondità dei circuiti per vedere come questi cambiamenti influenzassero l'accuratezza delle previsioni. Hanno scoperto che aggiungendo più qubit e livelli, i tassi di errore diminuivano, confermando che il sistema può diventare più preciso con una maggiore complessità. Tuttavia, hanno anche scoperto che anche le versioni più semplici del loro modello erano sorprendentemente efficaci. Ad esempio, nel test dell'antiderivata, un circuito con solo due blocchi addestrabili è stato in grado di raggiungere prestazioni quasi ottimali. Ciò suggerisce che per molti problemi, l'approccio quantistico non ha bisogno di essere eccessivamente grande per essere utile. Inoltre, confrontando il numero di impostazioni regolabili, o parametri, richiesti dal loro modello quantistico rispetto a un DeepONet tradizionale, la versione quantistica ha mostrato un netto vantaggio nel modo in cui scalava. Mentre il conteggio dei parametri del modello classico cresceva quadraticamente con il numero di dati, il conteggio del modello quantistico cresceva linearmente. Ciò significa che man mano che i problemi diventano più grandi e dettagliati, l'approccio quantistico rimane più efficiente, richiedendo meno risorse per raggiungere lo stesso livello di dettaglio.

I ricercatori sono stati attenti a sottolineare i limiti del loro attuale lavoro, riconoscendo che i loro risultati si basano su simulazioni piuttosto che su hardware quantistico fisico. Hanno simulato il comportamento dei circuiti quantistici su computer classici, il che ha permesso loro di testare la teoria senza il rumore e gli errori che attualmente affliggono i dispositivi quantistici reali. Nonostante questa limitazione, il quadro teorico che hanno costruito fornisce una prova solida che il metodo funziona. Hanno derivato espliciti limiti matematici che descrivono come l'errore nelle loro previsioni dipenda dalla fluidità del problema e dalla dimensione del modello. Questi limiti suggeriscono che l'approccio quantistico è particolarmente adatto per problemi in cui i dati di input hanno una certa semplicità sottostante, una proprietà che chiamano bassa dimensione intrinseca. In tali casi, il modello quantistico può apprendere la soluzione senza essere sopraffatto dall'enorme numero di punti dati, aggirando efficacementmente un problema comune noto come "maledizione della dimensionalità", dove i metodi classici faticano man mano che il numero di variabili aumenta.

In definitiva, questo lavoro dimostra che i circuiti quantistici possono essere adattati con successo per apprendere gli operatori che governano i sistemi fisici. Il Quantum Operator Network non è solo una curiosità teorica; è una dimostrazione pratica che queste macchine possono apprendere relazioni matematiche complesse con stabilità ed efficienza. I ricercatori hanno dimostrato che sostituendo le reti neurali standard con circuiti quantistici variazionali, è possibile costruire un modello che impara rapidamente, evita le trappole di addestramento che spesso affliggono gli algoritmi quantistici e scala efficientemente man mano che i problemi crescono. Sebbene il campo sia ancora nelle sue fasi iniziali e rimangano le sfide dell'hardware reale, questo studio fornisce una tabella di marcia chiara su come le macchine quantistiche possano un giorno risolvere le equazioni differenziali che descrivono il nostro mondo fisico, offrendo un'alternativa più veloce e potenzialmente più potente ai metodi che utilizziamo oggi.