Non-Markovian dissipation as a resource for quantum reservoir computing

Nella ricerca di computer che pensino come il cervello umano, gli scienziati hanno da tempo guardato a un campo chiamato reservoir computing. Immaginate un sistema complesso e vorticoso — come l'acqua che scorre attraverso il letto roccioso di un fiume — che riceve un flusso di dati e ne modella naturalmente la forma in una nuova configurazione. L'obiettivo non è programmare ogni singola torsione e svolta di quel flusso, ma semplicemente leggere il pattern finale e usarlo per risolvere un problema, come prevedere la parola successiva in una frase o riconoscere una voce. Affinché questi sistemi funzionino, hanno bisogno di un modo per dimenticare il passato lontano pur ricordando il presente recente, una qualità nota come memoria evanescente (fading memory). Di solito, questo oblio viene ottenuto lasciando che il sistema interagisca con l'ambiente attraverso un flusso di energia prevedibile e unidirezionale, dove l'informazione fuoriesce e non ritorna mai. Questo approccio standard funziona bene, ma tratta l'ambiente come un pozzo passivo, un luogo dove i dati vanno a morire.

Un team di ricercatori a Milano ha ora esplorato una strada diversa, chiedendosi cosa accadrebbe se quell'interazione con l'ambiente non fosse così semplice. Hanno investigato uno scenario in cui l'ambiente non si limita ad assorbire l'informazione, ma occasionalmente la spinge nuovamente all'interno del sistema, creando una sorta di eco. Questo fenomeno, noto come dinamica non-Markoviana, introduce un effetto di memoria in cui il passato persiste e influenza il presente in modi complessi. Sebbene tali effetti siano spesso visti come un disturbo nella fisica quantistica, questo studio suggerisce che potrebbero essere in realtà uno strumento potente. Progettando deliberatamente questi echi di memoria, i ricercatori hanno scoperto di poter sintonizzare un sistema quantistico affinché diventasse eccezionalmente bravo a elaborare informazioni recenti, offrendo un nuovo modo per costruire computer quantistici più veloci e accurati per compiti che richiedono una memoria rapida e acuta.

I ricercatori si sono concentrati su un tipo specifico di computer quantistico costruito da una catena di minuscoli magneti, o spin, disposti in linea. Nella loro configurazione, un flusso di dati viene immesso in questa catena, facendo sì che i magneti si spostino e interagiscano. Per rendere il sistema utile, dovevano garantire che esso si sarebbe eventualmente stabilizzato e avrebbe smesso di dipendere da come era iniziato, un requisito noto come proprietà dello stato di eco (echo state property). Ci sono riusciti permettendo ai magneti di perdere energia verso l'ambiente circostante, un processo chiamato dissipazione. Tuttavia, invece di lasciare che questa perdita di energia avvenisse nel modo standard e prevedibile, hanno utilizzato una tecnica matematica per rendere la perdita "a coda pesante" (heavy-tailed). Ciò significa che, nella maggior parte dei casi, il sistema dimentica rapidamente, ma esiste una probabilità significativa che trattenga un pezzo di informazione per un tempo sorprendentemente lungo prima di lasciarlo andare. Hanno modellato questo comportamento utilizzando un tipo specifico di derivata frazionaria, uno strumento matematico che permette una regolazione continua di quanto il sistema ricordi.

Per testare se questo comportamento strano aiutasse davvero il computer a pensare, il team ha eseguito una serie di simulazioni. Hanno prima verificato se il sistema rimanesse stabile, assicurandosi che gli echi di memoria non causassero il computer a incastrarsi in un loop o a perdere la capacità di elaborare nuovi dati. Hanno confermato che, anche con questi complessi effetti di memoria, il sistema eliminava comunque le sue condizioni iniziali e si concentrava sull'input corrente, proprio come dovrebbe fare un computer affidabile. La vera svolta è arrivata quando hanno testato la capacità del sistema di ricordare e prevedere. Hanno chiesto al sistema di richiamare un dato specifico di pochi passaggi prima e di prevedere il passaggio successivo in una sequenza non lineare complessa.

I risultati hanno mostrato un chiaro compromesso che i ricercatori potevano controllare. Quando hanno sintonizzato il sistema per avere una forte memoria non-Markoviana, la sua capacità di ricordare gli input recenti è migliorata drasticamente. Per compiti che richiedevano il richiamo di dati di pochi istanti prima, il sistema è diventato tre volte più accurato nei compiti di memoria lineare e fino a dieci volte migliore nella previsione di schemi non lineari complessi rispetto alla versione standard. L'ambiente non era più solo un luogo in cui i dati scomparivano; era diventato un partecipante attivo, riciclando le informazioni passate per affinare la concentrazione del sistema sul presente immediato. Tuttavia, questa memoria a breve termine potenziata aveva un costo. La capacità del sistema di trattenere informazioni dal passato remoto si era indebolita. La memoria che un tempo si estendeva molto indietro nel tempo ora si concentrava strettamente sul passato recente, rendendo la macchina eccellente per l'elaborazione a breve termine ma meno capace di una ritenzione a lungo raggio.

Questa scoperta suggerisce che il modo in cui un computer quantistico interagisce con il suo ambiente non è solo un dettaglio tecnico da minimizzare, ma una risorsa che può essere progettata. Progettando deliberatamente l'ambiente affinché spinga l'informazione all'interno del sistema, gli scienziati possono creare reservoir quantistici che siano specificamente ottimizzati per compiti che richiedono reazioni rapide e precise agli eventi recenti. Lo studio dimostra che, regolando la forza di questi echi di memoria, si può spostare la capacità del computer, scambiando l'archiviazione a lungo termine con la brillantezza a breve termine. Questo approccio offre una nuova direzione promettente per lo sviluppo di hardware quantistico in grado di gestire le sfide dei dati sequenziali del futuro prossimo, trasformando ciò che un tempo era considerato un difetto nei sistemi quantistici in una caratteristica che ne potenzia la potenza computazionale.