Interpretable Quantum Photonic Generative Models

Nel mondo della finanza, delle previsioni meteorologiche e dell'ingegneria complessa, una sfida comune è comprendere come diverse cose cambino insieme. Quando il prezzo di un'azione si muove, un'altra sale o scende? Quando la temperatura cambia, come reagisce l'umidità? Gli scienziati chiamano questo processo apprendere la "distribuzione congiunta" delle variabili, un modo per mappare la rete invisibile di connessioni tra molte parti in movimento. Per farlo, i ricercatori spesso costruiscono programmi informatici che apprendono dai dati passati e poi generano nuovi scenari realistici. Tuttavia, questi programmi possono diventare così complessi da agere come scatole nere: producono risposte, ma nessuno può vedere facilmente come vi siano giunte. Inoltre, man mano che il numero di variabili cresce, queste simulazioni digitali diventano incredibilmente lente, richiedendo una potenza di calcolo massiccia solo per produrre un singolo nuovo esempio. Ciò ha portato gli scienziati a cercare sistemi fisici che possano eseguire naturalmente questo compito, utilizzando le leggi della fisica per generare dati più velocemente e in modo più trasparente rispetto a un computer standard.

Un team di ricercatori dell'Università di Sheffield ha proposto un nuovo modo per affrontare questo problema utilizzando la luce. Invece di scrivere codice per simulare una complessa rete di relazioni, hanno costruito un modello fisico utilizzando i fotoni, le particelle fondamentali della luce. Il loro sistema è progettato per apprendere i modelli statistici presenti nei dati del mondo reale, come le variazioni giornaliere dei prezzi degli asset finanziari, e poi produrre nuovi campioni che imitino tali modelli. L'idea centrale è quella di utilizzare un tipo specifico di circuito ottico in cui le onde luminose vengono manipolate per creare correlazioni. In questa configurazione, i ricercatori partono da canali di luce vuoti e utilizzano un processo chiamato "squeezing" (compressione) per collegare coppie di onde luminose, rendendo i loro movimenti dipendenti l'uno dall'altro. Utilizzano poi specchi e divisori di fascio per mescolare queste onde, diffondendo le connessioni attraverso l'intero sistema. Infine, misurano la luce per vedere quali modelli emergono. Poiché la fisica della luce è ben compresa, i ricercatori possono tracciare esattamente come ogni parte della macchina contribuisce al risultato finale, rendendo il modello "interpretabile" invece di una misteriosa scatola nera.

I ricercatori hanno testato la loro idea cercando di ricreare le complesse relazioni presenti nei rendimenti giornalieri degli asset finanziari. Hanno scelto due sfide specifiche: un piccolo gruppo di cinque diversi asset, tra cui importanti titoli tecnologici, un fondo dell'oro, un fondo per obbligazioni governative e una criptovaluta, e un gruppo più ampio di venti diverse azioni dell'indice S&P 500. L'obiettivo era addestrare la loro macchina basata sulla luce a corrispondere alla matrice di correlazione di questi asset, ovvero una mappa che mostra quanto fortemente ogni coppia di asset si muova insieme. Nel test sui cinque asset, il team è riuscito ad addestrare il circuito in modo che il modello basato sulla luce riproducesse l'esatta forza e direzione delle relazioni tra gli asset. La differenza tra i dati del mondo reale e l'output del modello era così piccola da essere quasi impercettibile, con errori che apparivano solo al quinto decimale. Il modello ha identificato correttamente non solo che gli asset si muovevano insieme, ma anche se si muovevano nella stessa direzione o in direzioni opposte.

Per garantire che il modello non stesse solo rispecchiando le relazioni, ma anche la forma generale dei dati, i ricercatori hanno applicato un semplice aggiustamento matematico all'output. Questo passaggio ha allineato i valori medi e la dispersione dei numeri generati con i dati reali, in modo simile a come si sintonizza una radio per ottenere il segnale più chiaro. Sebbene il modello basato sulla luce produca naturalmente dati che seguono una normale curva a campana, i dati finanziari reali presentano spesso "code pesanti", il che significa che gli eventi estremi accadono più frequentemente di quanto una semplice curva possa prevedere. I ricercatori hanno scoperto che, sebbene il loro modello catturasse perfettamente le connessioni centrali, faticava leggermente a replicare queste code estreme, il che è previsto poiché il sistema luminoso è stato progettato per essere prevalentemente lineare. Tuttavia, per la stragrande maggioranza dei dati, l'adattamento è stato eccellente.

Il team ha poi spinto il sistema ai suoi limiti con il test sui venti asset. Ciò ha richiesto un circuito molto più grande con molte più connessioni per gestire la complessità. Anche con questo aumento di dimensioni, il modello è rimasto efficace. Ha riprodotto con successo i modelli di correlazione per i venti titoli, identificando correttamente il segno della relazione — positivo o negativo — per circa il 94 percento di tutte le coppie possibili. Gli errori nella forza di queste relazioni sono rimasti piccoli, con la straria parte di essi al di sotto di una soglia che sarebbe considerata un errore significativo. Ciò ha dimostrato che l'approccio poteva scalare per gestire un numero realistico di variabili senza perdere la capacità di apprendere la struttura sottostante.

Una parte fondamentale di questo lavoro ha riguardato un ostacolo tecnico: come simulare un tipo specifico di interazione luminosa chiamata porta Kerr, che introduce un effetto non lineare che rende il sistema più potente ma più difficile da calcolare. Le simulazioni al computer standard faticano con questo perché la matematica diventa estremamente pesante. I ricercatori hanno sviluppato un nuovo metodo per approssimare questo effetto, scomponendolo in una somma di parti lineari più semplici che un computer può gestire efficientemente. Ciò ha permesso loro di testare il potenziale del modello nel gestire distribuzioni di dati più complesse senza la necessità di un supercomputer. Hanno scoperto che, per le non-linearità deboli testate, questo metodo funzionava bene, mantenendo la simulazione veloce pur catturando la fisica essenziale.

Lo studio conclude che questo approccio basato sulla luce offre una strada promettente per generare dati che siano sia veloci che comprensibili. A differenza dei modelli informatici tradizionali che richiedono all'utente di fidarsi di un algoritmo complesso, questo sistema fotonico permette ai ricercatori di vedere esattamente come le correlazioni vengono costruite, strato dopo strato. La natura fisica del sistema significa che, una volta addestrato, può produrre nuovi campioni quasi istantaneamente, limitandosi solo alla velocità dei rilevatori di luce, che possono operare a miliardi di cicli al secondo. Sebbene l'attuale versione funzioni meglio per dati che seguono schemi standard, i ricercatori suggeriscono che, rafforzando i componenti non lineari nelle versioni future, il sistema potrebbe eventualmente modellare fenomeni del mondo reale ancora più complessi e imprevedibili. Questo lavoro stabilisce una nuova piattaforma dove le leggi dell'ottica possono essere sfruttate per apprendere dai dati e generare nuove intuizioni, colmando il divario tra l'astratto apprendimento statistico e i processi fisici tangibili.