Fourier Symmetrization for Geometric Quantum Machine Learning

Nel vasto panorama della scienza moderna, i ricercatori si stanno rivolgendo sempre più a macchine che apprendono dai dati per risolvere problemi che un tempo erano l'esclusivo dominio dell'intuizione umana. Tra gli strumenti più promettenti in questo campo ci sono i computer quantistici, che utilizzano le strane regole del mondo subatomico per elaborare informazioni in modi che le macchine classiche non possono. Un ramo specifico di questo campo, noto come apprendimento automatico quantistico geometrico, tenta di insegnare a questi sistemi quantistici a riconoscere e rispettare le simmetrie naturali del mondo fisico. Proprio come un fiocco di neve appare identico dopo essere stato ruotato o una molecola si comporta in modo coerente indipendentemente da come viene capovolta, molti problemi scientifici possiedono schemi nascosti di invarianza. La sfida è stata capire come costruire modelli quantistici che aderiscano naturalmente a questi schemi senza diventare così complessi da essere impossibili da addestrare o controllare.

Un team di ricercatori della CentraleSupélec in Francia ha ora fornito una mappa più chiara per navigare in questo terreno. Hanno investigato come l'imposizione della simmetria sui modelli quantistici cambi il modo in cui questi modelli "pensano" ai dati, guardando specificamente a come i modelli scompongono le informazioni in diverse componenti di frequenza. Il loro lavoro rivela che quando un modello quantistico è costretto a rispettare la simmetria, non si limita semplicemente a restringere le sue opzioni; invece, riorganizza la sua struttura interna in un modo che può renderlo effettivamente più potente e più facile da addestrare. Raggruppando insieme parti di informazione correlate, i ricercatori hanno trovato un modo per impedire ai segnali di apprendimento del modello di svanire nel nulla, un problema comune che ha tormentato l'apprendimento automatico quantistico. Inoltre, hanno scoperto un nuovo metodo più efficiente per costruire questi modelli simmetrici che evita i pesanti costi hardware precedentemente ritenuti necessari.

I ricercatori si sono concentrati su un tipo di modello quantistico chiamato modello di Fourier quantistico. Immaginate un computer quantistico come uno strumento complesso capace di suonare molte diverse note simultaneamente, dove ogni nota rappresenta una specifica frequenza di informazione. In una configurazione standard, il computer potrebbe cercare di apprendere un modello regolando il volume di ogni nota indipendentemente. Tuttavia, i ricercatori hanno dimostrato che quando si richiede al computer di rispettare una simmetria — come la capacità di scambiare due variabili o invertire i loro segni — le note non sono più indipendenti. Invece, formano gruppi, o "orbite", dove il computer deve trattare tutte le note di un gruppo come un'unica unità. Il modello poi somma il volume di tutte le note in quel gruppo per creare un singolo segnale più forte.

Questa riorganizzazione si rivela un vantaggio cruciale. In molti modelli quantistici, il segnale per le singole note diventa così debole man mano che il sistema cresce che il computer smette effettivamente di apprendere, un fenomeno noto come espressività evanescente. I ricercatori hanno dimostrato che raggruppando queste note in orbite simmetriche, il segnale combinato diventa significativamente più forte. Anche se le singole note sussurrano, la loro voce collettiva è abbastanza forte da essere udita e addestrata. Hanno dimostrato matematicamente che, in condizioni ideali, la forza di questo segnale combinato è esattamente uguale alla somma delle forze delle singole note all'interno del gruppo. Anche in scenari più realistici e imperfetti, hanno mostrato che questo raggruppamento fornisce comunque una massiccia spinta nella forza del segnale, superando di gran lunga quanto precedentemente possibile con i metodi esistenti.

Oltre a rendere i modelli più forti, i ricercatori hanno scoperto che questo approccio alla simmetria cambia il linguaggio stesso che i modelli usano per descrivere il mondo. Quando hanno applicato un tipo specifico di simmetria riguardante l'inversione dei segni ai loro modelli, la struttura matematica risultante si è trasformata naturalmente in un insieme di funzioni note come polinomi di Chebyshev. Questi sono strumenti potenti usati da matematici e ingegneri da secoli per approssimare curve complesse e risolvere equazioni difficili. Obbligando il modello quantistico a rispettare queste simmetrie, i ricercatori lo hanno effettivamente programmato per parlare automaticamente questo linguaggio ottimale, senza la necessità di progettare manualmente la complessa circuiteria che sarebbe altrimenti necessaria. Ciò suggerisce che la simmetria non è solo un vincolo, ma una guida che può condurre i modelli quantistici verso i modi più efficienti di risolvere i problemi.

Tuttavia, rimaneva un ostacolo maggiore: come costruire effettivamente questi modelli simmetrici sull'hardware quantistico reale. I metodi tradizionali per imporre la simmetria richiedono spesso l'aggiunta di bit quantistici extra o l'esecuzione di circuiti profondi e complessi che richiedono molto tempo per essere eseguiti, rendendoli impraticabili per la tecnologia attuale. Il team ha proposto un'alternativa intelligente chiamata codifica randomizzata. Invece di costruire un circuito speciale e rigido che codifica la simmetzza, il loro metodo prevede di cambiare casualmente i dati di input prima che entrino nel circuito quantistico standard. Eseguendo lo stesso circuito molte volte con input leggermente diversi e trasformati casualmente, e poi mediando i risultati, il sistema produce lo stesso output simmetrico dei metodi complessi ed costosi. Questo approccio non richiede bit quantistici extra e non aggiunge profondità al circuito, rendendolo molto più fattibile per i dispositivi quantistici rumorosi di oggi.

Per testare le loro idee, i ricercatori hanno applicato questi nuovi modelli per risolvere due problemi matematici difficili che descrivono fenomeni fisici: un'equazione di Poisson schermata e un'equazione di Hamilton-Jacobi viscosa stazionaria. Queste equazioni vengono utilizzate per modellare tutto, dai campi elettrici alla fluidodinamica. Hanno confrontato i loro nuovi modelli simmetrici con i modelli quantistici standard e le reti neurali classiche. I risultati sono stati chiari: i modelli che utilizzavano la simmetria, in particolare quelli costruiti con il loro nuovo metodo di codifica randomizzata, hanno ottenuto gli errori più bassi e le soluzioni più accurate. In un test specifico che coinvolgeva condizioni al contorno difficili, il modello quantistico simmetrico ha superato tutti gli altri approcci, incluse le reti neurali classiche.

Lo studio conclude che la simmetria è una risorsa potente e sottoutilizzata nell'apprendimento automatico quantistico. Non si limita solo a limitare ciò che un modello può fare; rimodella la struttura interna del modello per renderla più robusta ed efficiente. Riorganizzando l'informazione in gruppi simmetrici, i ricercatori hanno dimostrato che i modelli quantistici possono superare la perdita di segnale che ne ha ostacolato i progressi. Il loro nuovo metodo per implementare queste simmetrie offre una via pratica per procedere, consentendo ai ricercatori di sfruttare questi benefici senza i proibitivi costi hardware che precedentemente rendevano difficile la scalabilità di tali approcci. Questo lavoro fornisce un piano concreto per progettare algoritmi quantistici migliori che siano non solo più accurati, ma anche più allineati con le simmetrie fondamentali del mondo fisico che cercano di simulare.