Machine learning quantum data to accelerate quantum Monte Carlo

Nel mondo microscopico di molecole e materiali, il comportamento degli elettroni è spesso un groviglio caotico. Quando gli elettroni interagiscono fortemente tra loro, si rifiutano di agire indipendentemente, creando schemi complessi che determinano se un materiale conduce elettricità, diventa un superconduttore o catalizza una reazione chimica. Predire questi comportamenti è una delle sfide più difficili della scienza moderna. I computer classici, che alimentano tutto, dagli smartphone ai supercomputer, faticano immensamente in questo compito perché il numero di possibili configurazioni elettroniche cresce così velocemente da sovrastare rapidamente anche le macchine più potenti. I computer quantistici, che utilizzano le strane leggi della fisica per elaborare informazioni, offrono una strada diversa. Essi possono rappresentare naturalmente questi stati elettronici aggrovigliati, ma sono attualmente soggetti a errori e possono contenere solo una quantità limitata di informazioni alla volta. Per colmare questo divario, gli scienziati hanno sviluppato un approccio ibrido: utilizzare un computer quantistico per preparare uno schizzo approssimativo della disposizione elettronica e poi utilizzare un computer classico per raffinare quello schizzo in una risposta precisa. Questo metodo, noto come Monte Carlo quantistico, ha mostrato grande promessa, ma ha incontrato un muro. Il processo di traduzione dei dati grezzi del computer quantistico in una forma che il computer classico possa utilizzare è così lento e costoso da aver limitato questi esperimenti a sistemi molto piccoli, impedendo agli scienziati di affrontare le molecole più grandi e interessanti che contano di più.

Un team di ricercatori ha ora infranto questa barriera insegnando a un modello di apprendimento automatico (machine learning) come leggere direttamente i dati del computer quantistico, bypassando la necessità di calcoli lenti e ripetitivi. In uno studio recente, hanno dimostrato che questo nuovo approccio può accelerare l'intero processo di migliaia di volte, permettendo loro di simulare sistemi con fino a 40 qubit — una scala più del doppio di quanto precedentemente possibile con una precisione comparabile. Il team, lavorando con il processore quantistico Willow di Google, ha testato il loro metodo su due sfide molto diverse: lunghe catene di atomi di idrogeno e complessi cluster ferro-zolfo presenti nei sistemi biologici. In entrambi i casi, il modello di apprendimento automatico ha imparato con successo a predire le necessarie sovrapposizioni quantistiche da un set compresso di misurazioni, agendo efficacemente come un traduttore veloce e intelligente tra il mondo quantistico e quello classico. I risultati non sono stati solo più veloci; erano abbastanza accurati da raggiungere l'accuratezza chimica, il gold standard per predire come si comportano le molecole, un traguardo che era rimasto fuori portata per questi sistemi più grandi.

Il cuore del problema che i ricercatori hanno risolto risiede nel modo in cui gli attuali algoritmi quantistici ibridi operano. In una configurazione tipica, un processore quantistico prepara una funzione d'onda di prova, ovvero una descrizione matematica di come gli elettroni sono probabilmente disposti. Per raffinare questa descrizione, un computer classico esegue una simulazione chiamata Monte Carlo quantistico, che prevede milioni di passaggi in cui il sistema viene spostato e controllato. Ad ogni singolo passaggio, il computer classico deve sapere quanto bene lo stato corrente corrisponda alla funzione d'onda di prova del processore quantistico. Tradizionalmente, ciò richiede che il computer classico rielabori i dati grezzi dalla macchina quantistica per ogni singolo passaggio della simulazione. Man mano che il sistema cresce, la quantità di dati esplode e il tempo richiesto per l'elaborazione diventa proibitivo. In esperimenti precedenti, questo collo di bottiglia significava che simulare un sistema con soli 16 qubit richiedeva oltre 13.000 ore di tempo di calcolo su potenti processori grafici. Estrapolando questo dato a un sistema a 40 qubit, suggeriva che sarebbero state necessarie milioni di ore, rendendo di fatto impossibili tali calcoli.

Per superare questo ostacolo, i ricercatori hanno cambiato completamente il flusso di lavoro. Invece di rielaborare i dati grezzi milioni di volte, hanno raccolto un grande lotto di misurazioni randomizzate dal processore quantistico una sola volta. Hanno poi utilizzato questi dati per addestrare un modello di apprendimento automatico, un tipo di intelligenza artificiale capace di apprendere schemi da esempi. Questo modello è stato istruito per predire i valori specifici di cui la simulazione classica ha bisogno, comprimendo efficacementamente la vasta quantità di dati quantistici in un programma compatto e veloce da eseguire. Una volta addestrato, questo modello poteva fornire le informazioni necessarie alla simulazione classica quasi istantaneamente, senza mai dover guardare di nuovo i dati quantistici originali. I ricercatori hanno paragonato questo processo all'apprendimento di una lingua: invece di tradurre un libro parola per parola ogni volta che serve una frase, si impara la grammatica e il vocabolario una volta per tutte, permettendo di parlare fluentemente e istantaneamente in seguito.

Il team ha messo alla prova questo metodo sul processore Willow di Google, un dispositivo con oltre cento qubit e capacità di misurazione ad alta velocità. Hanno affrontato prima le catene di idrogeno, un benchmark standard per testare quanto bene un metodo gestisca l'aumento della complessità. Variando la lunghezza della catena, potevano simulare sistemi che vanno da 8 a 40 qubit. In questi test, l'approccio di apprendimento automatico ha fornito risultati con accuratezza chimica, il che significa che i livelli di energia predetti erano entro un margine di errore minuscolo, richiesto per la chimica del mondo reale. Ancora più importante, l'accelerazione è stata drammatica. Per un sistema a 16 qubit, il nuovo metodo è stato 4.100 volte più veloce dell'approccio tradizionale. Per il sistema a 40 qubit, il metodo tradizionale sarebbe stato così costoso da eseguire che non è mai stato tentato, ma il nuovo metodo lo ha reso fattibile, completando il calcolo in una frazione del tempo.

I ricercatori si sono poi spostati su un problema molto più difficile: un cluster ferro-zolfo, un tipo di molecola cruciale per processi biologici come il trasferimento di elettroni e la catalisi. Queste molecole sono notoriamente difficili da simulare perché i loro elettroni sono altamente correlati ed esistono in molti stati energetici quasi identici. I tentativi precedenti di simulare questi sistemi utilizzando metodi classici o tecniche quantistiche precoci avevano faticato a raggiungere il livello di accuratezza necessario. Utilizzando il loro framework di apprendimento automatico, il team ha simulato con successo il cluster ferro-zolfo in spazi attivi di 28 e 40 qubit. Hanno scoperto che il loro approccio guidato dal quantum poteva raggiungere l'accuratezza chimica anche quando l'hardware quantistico era rumoroso, un problema comune con gli attuali dispositivi. Il modello di apprendimento automatico era abbastanza robusto da filtrare il rumore ed estrarre il corretto segnale fisico, dimostrando che il metodo funziona anche quando i dati quantistici sottostanti sono imperfetti.

Un'intuizione chiave del lavoro è stata che il modello di apprendimento automatico non aveva bisogno di ricostruire l'intero stato quantistico, il che sarebbe stato troppo complesso. Invece, doveva solo apprendere le sovrapposizioni specifiche — le relazioni matematiche tra lo stato quantistico e le configurazioni utilizzate nella simulazione. Concentrandosi su queste relazioni specifiche, il modello rimaneva semplice ed efficiente. I ricercatori hanno anche dimostrato che potevano partire da una stima classica approssimativa e poi usare i dati quantistici per raffinarla, o persino partire da zero e lasciare che i dati quantistici insegnassero al modello tutto ciò di cui aveva bisogno. Nel caso del cluster ferro-zolfo, hanno mostrato che un modello addestrato sui dati quantistici superava i metodi classici ottimizzati per lo stesso compito, evidenziando l'unico valore dell'apprendimento diretto dall'hardware quantistico.

Le implicazioni di questo lavoro si estendono oltre queste specifiche molecole. Il collo di bottiglia che i ricercatori hanno affrontato — la lenta elaborazione dei dati quantistici — è un problema fondamentale che persisterà anche quando i computer quantistici diventeranno più potenti e privi di errori. Dimostrando che l'apprendimento automatico può comprimere e riutilizzare l'informazione quantistica in modo efficiente, il team ha fornito un modello su come gli algoritmi ibridi possano scalare per risolvere problemi del mondo reale. Il loro successo con 40 qubit suggerisce che la strada per simulare materiali complessi e progettare nuovi farmaci non è più bloccata dal costo computazionale. Lo studio dimostra che con l'interfaccia corretta tra il calcolo quantistico e quello classico, possiamo ora accedere a una scala di simulazione che era precedentemente fuori portata, aprendo la porta a una nuova era di scoperte nella chimica e nella scienza dei materiali.