Empirical Evaluation of Quantum Kernel Methods for Classification: A Comparative Study with Classical Kernels

Nella corsa alla creazione di macchine utili capaci di apprendere dai dati, gli scienziati stanno cercando modi per utilizzare le strane leggi della fisica quantistica per risolvere problemi troppo difficili per i computer odierni. Un'idea promettente è quella di usare un computer quantistico non per eseguire l'intero processo di apprendimento, ma per agire come uno strumento specializzato che aiuti a classificare le informazioni. Immaginate di cercare il modo migliore per separare un mucchio di biglie rosse e blu mescolate. Un computer standard traccia una linea tra di esse. Un approccio quantistico, invece, solleva prima le biglie in uno spazio più elevato e complesso dove potrebbero naturalmente separarsi in gruppi ordinati, e poi traccia la linea. Il compito della macchina quantistica è calcolare quanto siano vicine due biglie in questo nuovo spazio, un calcolo che è difficile per i computer ordinari ma facile per uno quantistico. Questo metodo, noto come kernel quantistico, è uno dei modi più concreti per utilizzare i dispositivi quantistici attuali, ancora imperfetti, per aiutare con dati del mondo reale. Tuttavia, per anni, i ricercatori hanno discusso sul fatto che questo trucco quantistico funzioni davvero meglio dei migliori metodi che già possediamo sui computer tradizionali. Alcuni studi dicono che sia superiore, altri che sia uguale, e altri ancora che sia peggiore. La confusione è stata così profonda che non era chiaro se il disaccordo derivasse dalla tecnologia quantistica in sé o dal modo in cui erano impostati gli esperimenti.

Un ricercatore di nome Ronak Bhalgami ha deciso di risolvere questo dibattito trattando l'esperimento stesso come l'oggetto dello studio. Invece di eseguire semplicemente un test sperando in un vincitore chiaro, il team ha progettato un'indagine massiccia e controllata che cambiava le regole del gioco per garantire una competizione equa. Hanno costruito un sistema in cui hanno testato i metodi quantistici contro quelli classici attraverso centinaia di scenari diversi, cambiando la dimensione dei dati, il numero di variabili e la facilità di risoluzione del compito. Fondamentalmente, hanno corretto un difetto nascosto che aveva afflitto gli studi precedenti: il modo in cui i dati venivano scalati prima di essere inseriti nella macchina. Nei lavori precedenti, i ricercatori spesso regolavano attentamente le impostazioni per il computer classico lasciando invece fisse quelle quantistiche, penalizzando di fatto il lato quantistico. In questo nuovo studio, entrambi i lati hanno avuto la stessa opportunità di trovare le proprie impostazioni ottimali. Hanno anche cambiato il modo in in cui calcolavano il costo del lavoro, misurandolo in base al numero di operazioni fisiche che una vera macchina quantistica avrebbe dovuto eseguire, piuttosto che nel tempo impiegato per l'esecuzione su una simulazione.

I risultati di questo rigoroso confronto hanno rivelato una verità sorprendente: il fattore determinante per il successo non era la natura quantistica della macchina, ma un semplice parametro che controlla come i dati vengono scalati. Quando i ricercatori hanno regolato questo parametro per il metodo quantistico, l'accuratezza è aumentata drasticamente, di ben 0,339 punti su dati del mondo reale. Questo miglioramento è stato così grande da essere superiore a qualsiasi differenza riscontrata tra il metodo quantistico e i migliori metodi classici. Infatti, una volta che il metodo quantistico è stato correttamente sintonizzato, ha performato allo stesso livello dei migliori metodi classici su quattro dataset standard del mondo reale, ma non è andato meglio. L'idea che i computer quantistici abbiano un vantaggio naturale e intrinseco per questi compiti non è stata supportata dai dati. L'unico caso in cui il metodo quantistico ha mostrato un chiaro vantaggio è stato su un dataset speciale, creato artificialmente, progettato specificamente per essere risolto dalla logica interna del computer quantistico stesso. Sui dati ordinari, il vantaggio quantistico si è ridotto man mano che il problema diventava più complesso e è cresciuto solo all'aumentare della quantità di dati.

Lo studio ha anche scoperto un collo di bottiglia pratico che influenzerà il modo in cui queste macchine verranno utilizzate nel prossimo futuro. I ricercatori hanno scoperto che la principale fonte di errore non era il rumore dell'hardware quantistico in sé, ma il fatto che la macchina debba effettuare molte misurazioni per ottenere una singola risposta. Questo processo, chiamato campionamento, introduceva molti più errori rispetto alle imperfezioni dell'hardware. Per ottenere un risultato affidabile su un grande dataset, un computer quantistico dovrebbe eseguire il suo circuito quasi 50 milioni di volte, un compito che richiederebbe settimane di operazione continua sull'hardware attuale. Al contrario, il rumore dei componenti hardware era un problema molto minore. Ciò suggerisce che l'ostacolo principale per l'uso di questi strumenti quantistici in questo momento non è rendere l'hardware più silenzioso, ma trovare un modo per ottenere risposte con meno misurazioni. I ricercatori hanno concluso che, se i kernel quantistici dovessero essere utilizzati su hardware reale, una versione specifica e semplificata del metodo sarebbe l'unica scelta pratica, poiché richiede centinaia di volte meno operazioni per una perdita di accuratezza molto piccola.

In definitiva, questo lavoro spiega perché il campo sia stato così confuso. I risultati contrastanti negli studi precedenti non sono stati causati dall'imprevedibilità della fisica quantistica, ma dal fatto che gli esperimenti stessi erano inconsistenti. Quando le regole sono rese eque e le impostazioni sono regolate correttamente, il metodo quantistico è un competitore competente rispetto ai metodi classici, ma non è una bacchetta magica capace di risolvere problemi che essi non possono risolvere. Il vantaggio dell'uso di un computer quantistico per questo compito non è una vittoria garantita, ma una stretta possibilità che dipende interamente dalla struttura specifica dei dati e dalla cura riposta nell'impostazione dell'esperimento. Per ora, la lezione più importante è che il modo in cui misuriamo e regoliamo questi sistemi conta più della natura quantistica della macchina stessa.