Temporal information processing on a 4,500-qubit quantum annealer

Nel mondo dell'informatica, le macchine stanno diventando più veloci e piccole, ma esiste una sfida persistente: capire come renderle davvero utili per i compiti complessi del futuro. Un percorso promettente prevede l'insegnare ai computer a imparare dai modelli nei dati, un campo noto come apprendimento automatico o machine learning. Sebbene i computer classici siano eccellenti in molte cose, a volte faticano con i dati che cambiano nel tempo, come i modelli meteorologici o i mercati azionari, perché mancano di un modo naturale per ricordare il passato mentre elaborano il presente. Gli scienziati sospettano da tempo che le macchine quantistiche, che operano secondo le strane regole del mondo subatomico, potrebbero gestire meglio questo tipo di informazioni temporali. Tuttavia, costruire un computer quantistico che sia abbastanza grande da essere utile e abbastanza semplice da addestrare è rimasto un ostacolo principale. La maggior parte dei tentativi richiede processi di addestramento costosi e difficili che spesso falliscono man mano che le macchine diventano più grandi.

Un team di ricercatori ha ora compiuto un passo significativo in avanti testando un nuovo approccio su una massiccia macchina quantistica. Hanno utilizzato un dispositivo chiamato quantum annealer (ricercatore quantistico), un tipo di computer quantistico progettato per risolvere problemi specifici trovando lo stato di energia più basso di un sistema. Invece di cercare di addestrare l'intera macchina per imparare, l'hanno trattata come un motore naturale, non addestrato, che genera movimenti interni complessi. Alimentando questo motore con dati basati sul tempo e leggendo i risultati, hanno creato un modello capace di ricordare gli input passati e prevedere quelli futuri. Questo esperimento, che ha utilizzato fino a 4.500 bit quantistici fisici, o qubit, rappresenta il test di machine learning quantistico su larga scala più grande mai eseguito finora. I ricercatori hanno scoperto che la macchina poteva prevedere con successo serie temporali caotiche e imprevedibili, dimostrando che questi dispositivi quantistici su larga scala possono servire come potenti strumenti per l'elaborazione delle informazioni senza la necessità di costosi cicli di addestramento.

Il nucleo di questo esperimento si basa su un concetto chiamato reservoir computing (calcolo a serbatoio). Immaginate una pietra che cade in uno stagno: le increspature che si propagano dipendono dalla forma della pietra e dalla profondità dell'acqua. Se osservate le increspature, potete dedurre qualcosa della pietra che è caduta, anche se non avete visto lo schiaffo dell'impatto. In questa versione quantistica, il "serbatoio" è il computer quantistico stesso, e le "increspature" sono i movimenti naturali e non addestrati dei qubit. I ricercatori non hanno cercato di insegnare alla macchina cosa fare. Invece, hanno semplicemente lasciato che la macchina evolvesse secondo le proprie leggi interne mentre la alimentavano con un flusso di dati. La risposta naturale della macchina a questi dati ha creato una mappa ad alta dimensionalità dell'informazione. L'unica parte che hanno addestrato è stata un semplice passaggio finale, una lettura lineare, che ha imparato come tradurre lo stato interno complesso della macchina in una previsione utile. Questo approccio evita i problemi di ottimizzazione difficili e costosi che solitamente affliggono il machine learning quantistico.

Per testare questa idea, il team ha utilizzato un D-Wave quantum annealer, un dispositivo superconduttore programmabile. Hanno programmato la macchina con uno schema specifico che prevedeva un processo noto come reverse annealing (ricercatore inverso). Questa tecnica inizia la macchina in uno stato noto, la sposta all'indietro verso uno stato più quantistico e fluttuante, la mantiene lì per un momento e poi la sposta nuovamente in avanti. Questa pausa permette al sistema di esplorare il proprio ambiente locale e stabilizzarsi in una nuova configurazione che conserva informazioni sull'input ricevuto. I ricercatori hanno scoperto che questo movimento specifico era cruciale. Quando hanno spento le interazioni tra i qubit, rendendoli di fatto isolati, la macchina ha perso ogni memoria dell'input. Ciò ha dimostrato che l'interazione complessa tra i qubit durante il processo di annealing è essenziale affinché la macchina conservi informazioni nel tempo.

I ricercatori hanno poi sottoposto il loro modello a una serie di test rigorosi per vedere quanto bene potesse ricordare ed elaborare i dati. Per prima cosa, hanno controllato la sua capacità di richiamare gli input passati, una misura nota come capacità di memoria. Hanno scoperto che utilizzando un meccanismo di feedback per reinserire l'output della macchina nel sistema stesso, il sistema poteva ricordare le informazioni per molto più tempo rispetto ai modelli standard. Infatti, la memoria non è solo svanita; ha mostrato segni di ripresa, suggerendo che il sistema stesse trattenendo le informazioni in modo complesso e non lineare. Hanno anche testato la dimensione della macchina, scoprendo che l'intera potenza dei 4.500 qubit era necessaria per ottenere questi risultati. Versioni più piccole dello stesso setup non riuscivano a mantenere le necessarie correlazioni, evidenziando che la scala massiccia del sistema quantistico era un fattore chiave del suo successo.

Oltre alla semplice memoria, il team ha sfidato la macchina con compiti che richiedono la comprensione di relazioni complesse. Hanno chiesto di risolvere un puzzle logico noto come compito XOR, che consiste nel determinare la parità di due input. Questo è un problema che una macchina lineare semplice non può risolvere, ma il reservoir quantistico lo ha gestito con alta precisione, prevedendo correttamente l'esito quasi il 99 percento delle volte. Ciò ha dimostrato che la macchina non stava solo memorizzando i dati, ma li stava effettivamente trasformando in una forma in cui i modelli complessi diventavano visibili. Il test più impegnativo, tuttavia, è stato la previsione di serie temporali caotiche. I ricercatori hanno alimentato la macchina con dati provenienti da due famosi modelli matematici che generano un comportamento caotico e imprevedibile: la serie di Mackey-Glass e un sistema a doppio scroll (double-scroll). La macchina ha previsto con successo i valori futuri di queste serie, anche per passi molto lontani nel futuro. Nel caso del sistema a doppio scroll, la macchina è stata in grado di ricostruire l'attrattore caotico, una forma geometrica complessa che definisce il comportamento del sistema, segnando la prima volta che una simile ricostruzione è stata ottenuta utilizzando un computer quantistico.

I risultati di questo studio suggeriscono che i quantum annealer sono una piattaforma valida per il machine learning su larga scala, in particolare per compiti che coinvolgono dati dipendenti dal tempo. I ricercatori hanno dimostrato che sfruttando la dinamica nativa di un grande sistema quantistico, potevano elaborare informazioni temporali senza la necessità dell'addestramento pesante che limita altri approcci. Hanno anche fornito la prova che la natura quantistica delle interazioni, specificamente la dinamica many-body generata durante il processo di annealing, è indispensabile affinché il sistema funzioni. Sebbene rimanga una questione aperta se i computer classici possano eventualmente simulare questi risultati, l'esperimento dimostra che l'attuale hardware quantistico può già eseguire compiti che sono difficili per i modelli standard. Questo lavoro apre una nuova strada per l'uso delle macchine quantistiche non solo per l'ottimizzazione, ma come potenti motori per l'apprendimento e la previsione, provando che a volte il modo migliore per insegnare a una macchina è lasciarla correre da sola.