Classical training of conditional instantaneous quantum polynomial-time Born machines

Negli angoli silenziosi della fisica e dell'informatica, i ricercatori stanno esplorando un nuovo tipo di intelligenza artificiale che vive all'interno dei computer quantistici. A differenza dei computer classici nelle nostre tasche, che elaborano le informazioni come una semplice sequenza di zeri e uno, le macchine quantistiche utilizzano particelle che possono esistere in molti stati contemporaneamente. Questa capacità unica permette loro di affrontare problemi che richiederebbero ai computer ordinari migliaia di anni per essere risolti. Un'applicazione promettente è la modellazione generativa, in cui una macchina apprende i modelli nascosti di un sistema complesso — come il modo in cui gli atomi si dispongono in un materiale o come i pixel formano un volto — e poi crea nuovi esempi realistici di quel sistema. La sfida è sempre stata l'addestramento di queste macchine. Poiché i computer quantistici sono ancora fragili e costosi da gestire, gli scienziati hanno cercato modi per istruirli prima utilizzando i computer classici, riservando l'hardware quantistico solo all'atto finale di generazione dei dati.

Un team di ricercatori ha ora sviluppato un metodo per fare esattamente questo per un tipo specifico di modello quantistico chiamato macchina di Born. Questi modelli sono progettati per imitare il comportamento statistico dei sistemi quantistici. I ricercatori hanno scoperto un modo per insegnare a un singolo circuito quantistico come gestire un'intera famiglia di scenari differenti, piuttosto che una singola situazione fissa. Immaginate un singolo artista che può dipingere un paesaggio in estate, inverno, primavera e autunno, semplicemente venendo informato su quale stagione deve ritrarre, senza dover apprendere una tecnica pittorica completamente nuova per ognuna di esse. Il team ha scoperto che, codificando la "stagione" direttamente nello stato iniziale del computer quantistico, potevano addestrare la macchina interamente su un computer classico. Una volta addestrata, la macchina poteva essere impiegata su un vero dispositivo quantistico per generare campioni per qualsiasi condizione, anche quelle che non aveva mai visto prima.

Il nucleo della loro scoperta risiede nel modo in cui hanno preparato il computer quantistico per ricevere le istruzioni. I metodi precedenti cercavano di regolare le manopole interne del circuito quantistico in base alla condizione, un po' come cercare di cambiare il motore di un'auto mentre sta guidando. Il nuovo approccio cambia invece il carburante prima che il motore parta. Essi alimentano il circuito quantistico con uno stato iniziale specifico che contiene già l'informazione sulla condizione, come una temperatura specifica o un'impostazione particolare. Il circuito applica quindi un insieme unico e condiviso di operazioni a questo stato iniziale. Poiché lo stato iniziale porta con sé la condizione, il circuito non ha bisogno di essere riaddestrato o riconfigurato per ogni nuovo scenario. Ciò consente ai ricercatori di addestrare il modello utilizzando simulazioni classiche, che sono veloci e affidabili, e poi eseguire la versione finale su un processore quantistico.

Per testare questa idea, il team si è concentrato su due sfide distinte. Per prima cosa, hanno esaminato una famiglia matematica di distribuzioni dove la media e la dispersione potevano essere regolate indipendentemente. Hanno addestrato un modello per gestire queste variazioni e hanno scoperto che poteva prevedere con successo gli esiti per combinazioni di impostazioni che non aveva mai incontrato durante l'addestramento. In questo test, il loro metodo è stato significativamente più accurato delle tecniche più vecchie che cercavano di regolare i parametri interni del circuito per ogni condizione. Il nuovo approccio ha catturato così bene la struttura sottostante del problema da generalizzare a nuove situazioni con molto meno errore.

Il secondo test, più impegnativo, riguardava il modello di Curie-Weiss, un sistema famoso utilizzato per descrivere come i magneti si comportano mentre si riscaldano o si raffreddano. Al variare della temperatura, gli spin magnetici nel materiale subiscono un cambiamento drammatico, passando da uno stato disordinato a uno ordinato. Questa transizione è notoriamente difficile da modellare perché la forma della distribuzione di probabilità cambia fondamentalmente. I ricercatori hanno addestrato un singolo modello quantistico a sedici qubit per gestire l'intero intervallo di temperature. I risultati sono stati sorprendenti: il modello ha catturato con precisione la transizione da un singolo picco di probabilità a un doppio picco, un comportamento che rappresenta lo spostamento fisico del materiale. Quando hanno confrontato i loro risultati con i modelli generativi classici, l'approccio quantistico ha performato altrettanto bene dei modelli classici che possedevano sette volte più parametri regolabili. Ancora più impressionante, il modello ha imparato la fisica così bene da poter prevedere il comportamento del sistema a temperature che non gli erano mai state mostrate durante l'addestramento.

Il team non si è fermato alle piccole simulazioni. Ha spinto il metodo ai suoi limiti, addestrando modelli con fino a duemila quarantotto qubit. A questa scala, è impossibile simulare il sistema su un computer classico per controllare direttamente le risposte. Tuttavia, poiché le leggi fisiche che governano questo specifico sistema sono ben comprese, i ricercatori hanno potuto calcolare il comportamento atteso del magnetismo e confrontarlo con l'output del loro modello. Hanno scoperto che il modello ha appreso con successo l'ordine a lungo raggio della fase fredda e ha potuto estrapolare questo comportamento a dimensioni molto superiori a quelle utilizzate durante l'addestramento. Ciò ha dimostrato che il metodo scala efficacemente, mantenendo la sua capacità di apprendere schemi complessi anche quando il sistema cresce fino a dimensioni in cui la verifica classica diventa impossibile.

Lo studio ha anche evidenziato l'importanza di come la condizione viene codificata. Hanno testato diversi modi per preparare lo stato iniziale e hanno scoperto che un metodo di preparazione più sofisticato, che prevedeva l'avvolgere (twisting) lo stato quantistico in un modo specifico, produceva risultati molto migliori rispetto a un approccio più semplice. Questo suggerisce che il modo in cui l'informazione viene fornita al computer quantistico è importante quanto l'algoritmo di apprendimento stesso. Progettando attentamente l'input, potevano imporre simmetrie fisiche sul modello, assicurando che rispettasse le leggi fondamentali del sistema che stava cercando di imitare.

In definitiva, questo lavoro estende l'orizzonte dell'apprendimento automatico quantistico. Dimostra che non dobbiamo aspettare computer quantistici perfetti e privi di errori per iniziare ad addestrare modelli complessi. Utilizzando i computer classici per apprendere i pattern e i computer quantistici solo per generare i dati finali, i ricercatori possono ora affrontare problemi che coinvolgono la generazione condizionata — dove l'output dipende da una variabile di input specifica. Ciò apre la porta alla simulazione di sistemi fisici sotto varie condizioni, da diverse temperature a diversi campi esterni, utilizzando un singolo circuito quantistico condiviso. La capacità di addestrare questi modelli classicamente e poi implementarli su hardware quantistico rappresenta un passo avanti significativo nel rendere i modelli generativi quantistici pratici per la scoperta scientifica nel mondo reale.