Engineered Learning Problems on Noisy Quantum Processors
Questo articolo dimostra che i problemi di classificazione ingegnerizzati su processori quantistici rumorosi con fino a 45 qubit possono superare i metodi classici, in particolare quando potenziati dalla mitigazione degli errori, sebbene superare le tecniche di simulazione allo stato dell'arte come gli stati a prodotto di matrice rimanga una sfida significativa.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nella corsa a costruire macchine capaci di risolvere problemi che vanno oltre la portata dei computer odierni, gli scienziati stanno esplorando un campo in cui le regole stesse della fisica diventano il processore. Questo è il regno del machine learning quantistico, una disciplina che tenta di utilizzare i comportamenti strani e controintuitivi delle particelle subatomiche per riconoscere schemi e fare previsioni. L'idea centrale si basa su un concetto chiamato "kernel", che è essenzialmente uno strumento matematico per misurare quanto due pezzi di dati siano simili. In un computer classico, questo strumento funziona confrontando i punti dati in modo familiare. In un computer quantistico, i dati vengono prima tradotti nel linguaggio della meccanica quantistica, dove esistono in uno spazio complesso e ad alta dimensionalità che è difficile da navigare per le macchine classiche. La speranza è che, eseguendo questa tradazione, la macchina quantistica possa trovare connessioni nascoste nei dati che i metodi classici semplicemente non possono vedere. Tuttavia, una domanda persistente è rimasta sospesa sul campo: questi dispositivi quantistici rumorosi e imperfetti possono effettivamente superare i più potenti supercomputer classici, o stanno solo lottando sotto il peso della propria fragilità?
Un team di ricercatori si è posto l'obiettivo di rispondere a questa domanda progettando una sfida artificiale specifica in cui un computer quantistico potrebbe teoricamente detenere un vantaggio. Non hanno cercato di risolvere un problema del mondo reale come prevedere il tempo o diagnosticare una malattia, perché i metodi classici per tali compiti sono troppo forti e troppo ben compresi. Invece, hanno creato un puzzle personalizzato. Hanno preso un set standard di immagini — foto di indumenti come magliette e abiti — e hanno usato un circuito quantistico per trasformare i dati in una nuova forma. Poi, hanno usato i risultati di quella trasformazione per assegnare etichette alle immagini, creando di fatto un test in cui le risposte "corrette" erano definite dalla stessa prospettiva unica della macchina quantistica. L'obiettivo era vedere se un computer quantistico potesse prevedere queste etichette meglio di un computer classico che cercava di risolvere lo stesso puzzle. Per garantire che i risultati fossero genuini e non solo un colpo di fortuna dovuto alle stranezze di una macchina specifica, hanno eseguito l'esperimento su due diversi processori quantistici, uno con 54 qubit e un altro con 20, e hanno persino testato lo stesso problema su diverse sezioni dello stesso chip per vedere se i risultati resistessero a diversi profili di rumore.
I ricercatori hanno scoperto che quando i circuiti quantistici venivano mantenuti relativamente semplici, la macchina quantistica superava effettivamente i rivali classici. Ha predetto con successo le etichette con un alto grado di accuratezza, mentre i migliori modelli classici faticavano a stare al passo. Questo divario di prestazioni era chiaro e riproducibile attraverso le diverse configurazioni hardware. Tuttavia, man mano che i ricercatori rendevano i circuiti quantistici più profondi e complessi per gestire più dati, il vantaggio iniziava a svanire. Il rumore inerente all'attuale hardware quantistico — gli errori inevitabili che si insinuano mentre la macchina opera — ha iniziato a distorcere i risultati. A un certo punto, con una profondità di circuito equivalente a dieci passi di un calcolo specifico, le prestazioni della macchina quantistica sono scese così basse da non poter più battere i modelli classici. Il computer quantistico non stava più vincendo; era semplicemente confuso quanto quello classico.
Il team si è poi rivolto a un insieme di tecniche note come mitigazione dell'errore, che sono progettate per pulire i dati rumorosi dopo che l'esperimento è stato eseguito, sottraendo efficacementamente gli errori noti per rivelare il segnale reale. Hanno testato diverse metodologie, tra cui una che cerca di indovinare quale sarebbe stato il risultato se la macchina non avesse avuto alcun rumore, e un'altra che utilizza una serie di impulsi rapidi per stabilizzare i qubit. Hanno scoperto che non tutti i metodi di correzione dell'errore sono uguali. Una tecnica, che semplicemente regolava i numeri finali in base a come la macchina li leggeva, non ha aiutato. Un altro metodo, che cercava di estrapolare il risultato privo di rumore, è riuscito a ripristinare il divario di prestazioni, ma solo rendendo il puzzle stesso più difficile da risolvere per il computer classico, piuttosto che rendendo il computer quantistico significativamente migliore. La tecnica più efficace, tuttavia, è stata un metodo che sopprimeva attivamente il rumore durante il processo. Questo approccio non solo ha ripristinato il vantaggio quantistico, ma ha effettivamente migliorato la sua capacità di risolvere il puzzle, portando le sue prestazioni molto vicine a ciò che otterrebbe una macchina perfetta e priva di rumore.
Nonostante questi successi, i ricercatori sono stati attenti a chiarire ciò che il loro lavoro non ha dimostrato. Hanno dimostrato che l'hardware quantistico può superare i modelli di machine learning classici in un compito specifico e ingegnerizzato, ma hanno anche mostrato che questo vantaggio non è assoluto. Quando hanno simulato il processo quantistico utilizzando un potente algoritmo classico noto come stato a prodotto di matrice, progettato per imitare i sistemi quantistici, la simulazione classica è stata efficace quanto l'hardware quantistico rumoroso. Ciò suggerisce che l'attuale vantaggio quantistico è fragile e dipende fortemente dal tipo specifico di problema e dal livello di rumore. La simulazione classica è stata in grado di tenere il passo perché i circuiti quantistici utilizzati nell'esperimento non erano abbastanza complessi da rompere i limiti dell'informatica classica. I ricercatori hanno concluso che, sebbene abbiano mostrato una strada in cui le macchine quantistiche possono vincere, l'obiettivo finale di battere i migliori metodi di simulazione classica rimane un ostacolo significativo. La strada da seguire richiede la progettazione di problemi che non siano solo difficili da simulare per i computer classici, ma impossibili da imitare per loro, anche con gli algoritmi più avanzati disponibili oggi.
Lo studio funge da mappa realistica del panorama attuale dell'informatica quantistica. Conferma che le macchine quantistiche possono fare cose che quelle classiche non possono fare, ma solo in condizioni attentamente controllate e con l'aiuto della correzione dell'errore. Evidenzia inoltre che il campo è ancora in una fase in cui il "rumore" della macchina è spesso il fattore decisivo tra la vittoria e la sconfitta. Mostrando che diversi metodi di mitigazione dell'errore hanno effetti vastamente differenti, il lavoro fornisce una tabella di marcia per gli esperimenti futuri, suggerendo che eseguire semplicemente un algoritmo quantistico non è sufficiente; bisogna anche scegliere gli strumenti giusti per pulire il disordine che la macchina crea. I ricercatori non hanno sostenuto di aver risolto il problema del vantaggio quantistico, ma hanno fornito una forte prova che si tratta di un obiettivo raggiungibile, a patto che i problemi siano scelti con abbastanza cura per superare in astuzia le simulazioni classiche che sono attualmente il maggiore ostacolo.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.