Dissipative phase transitions in quantum reservoir computing

Nel mondo del calcolo quantistico, esiste una convinzione persistente che l'attrito sia il nemico. Per decenni, gli scienziati hanno combattuto per mantenere i sistemi quantistici perfettamente isolati, temendo che qualsiasi interazione con il mondo esterno distruggerebbe le delicate informazioni che contengono. Questo attrito, noto come dissipazione, di solito causa il decadimento degli stati quantistici e la perdita del loro potere. Tuttavia, sta emergendo una nuova prospenza: se questo attrito viene controllato con cura, può diventare uno strumento utile piuttosto che una forza distruttiva. Questa idea è centrale in un campo chiamato calcolo a serbatoio quantistico (quantum reservoir computing), un metodo per insegnare alle macchine a riconoscere schemi nel tempo. Invece di addestrare ogni parte di una complessa macchina quantistica, i ricercatori utilizzano un sistema quantistico fisso e immutabile per elaborare un flusso di dati. Il sistema dimentica naturalmente le vecchie informazioni pur mantenendo i dati recenti, una proprietà chiamata memoria svanente (fading memory), essenziale per comprendere sequenze come il parlato o le tendenze del mercato azionario. La grande domanda è stata se spingere questi sistemi proprio al limite di un cambiamento di fase — un punto in cui il loro comportamento cambia drasticamente — potesse renderli ancora più bravi a ricordare ed elaborare informazioni.

Un team di ricercatori presso l'Istituto di Tecnologia di Pechino ha ora esplorato questa questione simulando due diversi tipi di sistemi quantistici che sono costantemente alimentati da energia e perdono energia verso l'ambiente circostante. Si sono concentrati su sistemi noti come serbatoi di Kerr, che sono essenzialmente contenitori di luce che interagiscono con se stessi in modo non lineare. I ricercatori hanno impostato due scenari distinti. Nel primo, hanno creato un sistema che subisce un cambiamento di comportamento improvviso e netto, simile all'acqua che improvvisamente congela in ghiaccio. Nel secondo, hanno costruito un sistema che cambia in modo più graduale, spostando la propria simmetria in modo continuo. Alimentando questi sistemi con un flusso di dati e misurando quanto bene potessero ricostruire input passati o prevedere modelli futuri, il team ha scoperto che entrambi i sistemi offrivano le migliori prestazioni quando operavano proprio vicino a queste transizioni di fase. Ciò ha confermato che il limite di un cambiamento di fase è effettivamente un punto ottimale per il calcolo, ma la storia del perché ciò accada si è rivelata più sorprendente di quanto chiunque si aspettasse.

Per molto tempo, la teoria dominante suggeriva che la chiave di questa prestazione potenziata fosse il rallentamento del rilassamento del sistema. In fisica, quando un sistema viene disturbato, alla fine si assesta nuovamente in uno stato calmo; il tempo necessario per farlo è governato da un limite di velocità specifico, spesso chiamato "gap". Quando un sistema si avvicina a una transizione di fase, si pensa che questo limite di velocità rallenti fino a quasi fermarsi, permettendo al sistema di trattenere le informazioni per un tempo molto lungo. Si assumeva ampiamente che questa estrema lentezza fosse il segreto per una migliore memoria. Tuttavia, i ricercatori hanno scoperto che questa ipotesi era errata. Scomponendo i complessi movimenti interni dei sistemi quantistici nei loro singoli componenti, hanno scoperto che la componente ultra-lenta, quella associata alla transizione di fase, contribuiva molto poco alla capacità del sistema di ricordare. La vera fonte del potenziamento delle prestazioni risiedeva altrove.

I veri eroi della storia sono stati le componenti più veloci, a velocità finita, del sistema. Queste sono le parti della macchina quantistica che si rilassano a un ritmo moderato, né troppo velocemente da dimenticare tutto, né troppo lentamente da rimanere bloccate. I ricercatori hanno scoperto che, vicino alle transizioni di fase, l'intero gruppo di queste componenti a velocità moderata si riorganizzava. Esse spostavano le proprie velocità e interagivano tra loro in modi nuovi, creando un effetto collettivo che era molto più potente per l'elaborazione delle informazioni di quanto la singola componente più lenta potesse mai essere. Nel sistema con il cambiamento di fase improvviso, questa riorganizzazione ha creato una stretta finestra in cui le velocità moderate rallentavano quanto basta per aiutare. Nel sistema con il cambiamento graduale, le velocità moderate si sono spostate e diffuse, separandosi dalla componente ultra-lenta. In entrambi i casi, la potenza computazionale derivava da questo rimescolamento dinamico delle velocità moderate, non dalla lentezza estrema del gap.

Per garantire che queste scoperte non fossero solo artefatti teorici, il team ha sviluppato un metodo preciso per tracciare esattamente quali movimenti interni fossero responsabili delle previsioni di successo. Hanno dimostrato che l'informazione elaborata dal sistema era trasportata quasi interamente da questi canali a velocità finita e dal modo in cui si combinavano tra loro. La componente ultra-lenta, nonostante fosse la caratteristica più drammatica della transizione di fase, giocava solo un ruolo minore. Questa distinzione è cruciale perché cambia il modo in cui gli scienziati dovrebbero pensare alla progettazione di queste macchine. Invece di cercare di ingegnerizzare un sistema che sia il più lento possibile, l'obiettivo dovrebbe essere quello di sintonizzare il sistema in modo che le sue componenti a velocità moderata siano disposte in modo ottimale. I ricercatori hanno anche notato che questi specifici pattern di rilassamento possono essere misurati in esperimenti reali utilizzando la tecnologia attuale, come i circuiti superconduttori. Ciò significa che il quadro teorico sviluppato non è solo una curiosità matematica, ma una guida pratica per costruire migliori computer quantistici capaci di apprendere da dati di serie temporali.

Il lavoro rivela infine una separazione tra la fisica naturale di un sistema quantistico e il modo in cui esso viene utilizzato per il calcolo. La transizione di fase cambia il panorama interno del sistema, ma il lavoro effettivo di memoria ed elaborazione è svolto da un sottoinsieme specifico dei movimenti del sistema. Comprendendo che la potenza deriva dal comportamento collettivo delle componenti a velocità moderata piuttosto che dalla più lenta, i ricercatori possono ora progettare serbatoi quantistici dissipativi con una tabella di marcia più chiara. Questo approccio va oltre le semplici correlazioni per arrivare a un legame diretto tra lo spettro di rilassamento interno e la capacità di apprendimento della macchina. Suggerisce che il futuro della memoria quantistica potrebbe non risiedere nel combattere contro l'attrito, ma nell'armonizzare la complessa e organizzata danza delle velocità di rilassamento che l'attrito crea naturalmente.