I computer quantistici promettono di risolvere problemi impossibili per le macchine odierne, ma sono notoriamente fragili. Le minuscole particelle che trasportano informazioni, chiamate qubit, vengono facilmente disturbate dal loro ambiente, causando errori che possono rovinare un calcolo. Per rendere queste macchine utili, gli scienziati devono prima capire esattamente come si comportano. Ciò richiede un processo chiamato caratterizzazione: misurare l'output della macchina e lavorare a ritroso per capire cosa stia accadendo all'interno. È un po' come cercare di capire il funzionamento interno di un orologio complesso guardando solo le lancette, ma con un colpo di scena. Nel mondo quantistico, la matematica necessaria per l'ingegneria inversa degli ingranaggi dell'orologio diventa così travolgentemente complicata da rendere effettivamente impossibile risolvere il problema per nulla meno dei dispositivi più piccoli. Man mano che queste macchine crescono fino a centinaia di qubit, i metodi tradizionali per determinare il loro comportamento si scontrano con un muro, lasciando i ricercatori con un hardware potente che non possono pienamente fidarsi o calibrare.

Un team di ricercatori ha sviluppato un nuovo modo per abbattere questo muro, trasformando un problema che un tempo era computazionalmente impossibile in un compito gestibile. Invece di cercare di risolvere direttamente le complesse equazioni matematiche, hanno insegnato a un computer a apprendere la relazione tra le impostazioni di una macchina quantistica e i suoi risultati osservando milioni di esempi simulati. Questo approccio, che chiamano inferenza basata sulla simulazione, permette di costruire un modello digitale in grado di indovinare istantaneamente le cause nascoste di qualsiasi misurazione prodotta da un vero computer quantistico. I ricercatori hanno dimostrato questo metodo su sistemi grandi fino a 81 qubit, identificando con successo schemi di rumore, correggendo errori e persino mappando le posizioni fisiche degli atomi in un simulatore quantistico simulato. Addestrando una rete neurale su dati generati da veloci supercomputer classici, hanno creato uno strumento in grado di analizzare un dispositivo quantistico in un unico passaggio, fornendo non solo la migliore ipotesi, ma anche un quadro chiaro di quanto sia affidabile tale ipotesi.

Il nucleo di questo nuovo metodo si basa su una intelligente divisione del lavoro tra due tipi di programmi informatici. Il primo è un simulatore, un programma che imita come un sistema quantistico dovrebbe comportarsi sotto specifiche condizioni. Sebbene simulare un vero sistema quantistico sia difficile, i ricercatori hanno scoperto che per molti casi pratici potevano utilizzare algoritmi classici semplificati per generare rapidamente enormi quantità di dati di addestramento. Hanno fornito questi dati al secondo programma, una rete neurale progettata per apprendere schemi. Questa rete è stata addestrata per osservare l'output del simulatore e prevedere immediatamente le impostazioni che lo hanno causato. Una volta addestrata, questa rete agisce come un traduttore universale. Quando un vero computer quantistico produce una misurazione, la rete può tradurre istantaneamente quei dati in una mappa di probabilità di ciò che sta probabilmente accadendo all'interno della macchina. Ciò elimina la necessità di eseguire calcoli lenti e complessi per ogni nuovo esperimento, trasformando un compito che un tempo richiedeva ore o giorni in una questione di secondi.

I ricercatori hanno testato questo framework su quattro sfide distinte, dimostrando la sua versatilità attraverso diversi tipi di problemi quantistici. Per prima cosa, lo hanno utilizzato per apprendere informazioni sul rumore in un sistema a 50 qubit. Nel calcolo quantistico, il rumore si riferisce agli errori casuali che si insinuano nei calcoli. Il team è riuscito a identificare le probabilità specifiche di questi errori per centinaia di diversi gate, i mattoni fondamentali dei circuiti quantistici. Hanno scoperto che, mentre alcune fonti di errore erano facili da individuare, altre erano intrinsecamente legate in un modo che le rendeva impossibili da separare. Fondamentalmente, il loro metodo ha identificato automaticamente questi parametri "non identificabili", mostrando ai ricercatori esattamente dove le loro misurazioni erano insufficienti e dove avrebbero dovuto guardare più attentamente. Questa capacità di distinguere tra ciò che può essere noto e ciò che non può esserlo è uno strumento diagnostico vitale per migliorare gli esperimenti futuri.

Successivamente, il team ha applicato i loro modelli di rumore appresi per correggere gli errori in tempo reale. La mitigazione dell'errore quantistico è una tecnica utilizzata per pulire i dati rumorosi senza la necessità di un hardware perfetto. Alimentando la comprensione del rumore della rete neurale nei protocolli di correzione standard, sono stati in grado di recuperare risultati accurati da simulazioni rumorose. In un test che coinvolgeva una catena di atomi interagenti, il loro metodo ha ridotto gli errori di oltre la metà rispetto alle tecniche esistenti, e ha continuato a funzionare accuratamente anche prevedendo gli esiti per profondità di circuito che non aveva mai visto prima. Ciò suggerisce che il modello abbia appreso la fisica sottostante degli errori piuttosto che limitarsi a memorizzare esempi specifici, permettendogli di generalizzare a nuove situazioni.

Il framework si è dimostrato efficace anche per la tomografia dello stato quantistico, un processo utilizzato per ricostruire l'intero stato quantistico di un sistema. Di solito, questo richiede di misurare il sistema molte volte e di eseguire calcoli pesanti per ogni nuovo stato. I ricercatori hanno addestrato la loro rete neurale su una vasta gamma di stati simulati e hanno scoperto che poteva ricostruire nuovi stati non visti con un'accuratezza estremamente elevata. Nei test con sistemi a 12 qubit, la rete ha ricostruito gli stati con una fedeltà, o accuratezza, superiore al 99 percento. Ciò significa che il metodo può servire come uno strumento riutilizzabile per controllare la qualità degli stati quantistici senza dover riaddestrare il sistema per ogni nuovo esperimento, un passo significativo verso la resa pratica della diagnostica quantistica per macchine su larga scala.

Infine, il team ha affrontato il problema dell'apprendimento dell'Hamiltoniana, che consiste nel capire le forze e le interazioni esatte che governano un sistema quantistico. Hanno applicato il loro metodo a un array simulato di 81 atomi, dove l'obiettivo era determinare le posizioni fisiche precise di ciascun atomo in base a come interagiva con i propri vicini. Anche con piccoli spostamenti di appena pochi nanometri, la rete neurale è stata in grado di inferire le posizioni degli atomi con una precisione sorprendente. I risultati corrispondevano ai valori reali con un alto grado di correlazione, e le stime di incertezza della rete evidenziavano correttamente le poche aree in cui i dati erano meno chiari. Questa capacità potrebbe essere cruciale per calibrare i futuri simulatori quantistici, dove il posizionamento fisico degli atomi determina l'intero comportamento della macchina.

Il successo di questo lavoro risiede nel fatto che i ricercatori non hanno cercato di risolvere direttamente la matematica impossibile. Invece, hanno accettato che non potevano calcolare la risposta per ogni singola nuova situazione. Investendo tempo inizialmente per addestrare un modello su una enorme quantità di dati simulati, hanno creato un sistema che ripaga essendo incredibilmente veloce e riutilizzabile. Il metodo funziona perché sfrutta il fatto che molti sistemi quantistici, anche grandi, possiedono strutture che i computer classici possono ancora simulare efficientemente. Accoppiando questi simulatori efficienti con potenti reti neurali, i ricercatori hanno creato un ponte tra il mondo classico e quello quantistico. Questo approccio non sostituisce la necessità di esperimenti fisici, ma fornisce una lente potente attraverso cui guardare essi, trasformando i dati grezzi in intuizioni azionabili sul mondo quantistico.

Le implicazioni di questo lavoro vanno oltre questi specifici test. I ricercatori osservano che il loro metodo è abbastanza generale da poter essere applicato a molti altri problemi della scienza quantistica, come la calibrazione di sensori o la progettazione di controlli di feedback. Sebbene i risultati attuali si basino su simulazioni, il framework è progettato per funzionare anche con dati sperimentali reali. Il limite principale rimane la capacità di simulare i dati di addestramento; se un sistema dovesse diventare troppo complesso anche per i migliori simulatori classici, il metodo dovrà adattarsi. Tuttavia, per l'ampia gamma di sistemi quantistici attualmente accessibili, questa tecnica offre una via pratica percorribile. Trasforma la caratterizzazione dei dispositivi quantistici da un processo lento e su misura in una capacità automatizzata e snella, avvicinandoci al giorno in cui i computer quantistici potranno essere affidabilmente calibrati e utilizzati per applicazioni nel mondo reale.