Nel mondo dell'informatica, alcuni problemi sono semplici da formulare ma incredibilmente difficili da risolvere quando la quantità di dati cresce. Una di queste sfide è trovare la corrispondenza più vicina in una vasta biblioteca di informazioni. Immaginate un bibliotecario che deve trovare il libro più simile a una nuova richiesta confrontandolo con ogni singolo volume sugli scaffali. In un computer classico, questo processo richiede di controllare ogni elemento uno alla volta, un compito che diventa dolorosamente lento man mano che la biblioteca si espande. Questo è il cuore del problema dei "k-vicini più prossimi" (k-nearest neighbor), uno strumento fondamentale utilizzato in tutto, dalla diagnosi medica alla raccomandazione di film. Per decenni, gli scienziati hanno sperato che i computer quantistici, che possono elaborare le informazioni in un modo fondamentalmente diverso, potessero risolvere questo problema di ricerca istantaneamente. Tuttavia, i tentativi precedenti di costruire una versione quantistica di questo strumento di ricerca si sono basati su scorciatoie teoriche che non esistono ancora nel mondo reale, oppure sono stati limitati alla risoluzione di problemi molto semplici a due opzioni.

Un team di ricercatori della Concordia University ha ora dimostrato un nuovo modo per eseguire questa ricerca che funziona senza quelle scorciatoie impossibili. Hanno progettato un circuito quantistico in grado di confrontare una singola nuova query contro una vasta collezione di dati di addestramento, incluse molte diverse categorie, il tutto all'interno di un'unica esecuzione della macchina. Il loro lavoro dimostra che è possibile costruire un classificatore quantistico che gestisce molteplici classi di dati simultaneamente, senza dover ricorrere a dispositivi di memoria ipotetici in grado di accedere istantaneamente a qualsiasi dato. Invece di fare affidamento su magia o tecnologia non provata, hanno costruito un sistema utilizzando operazioni fisiche standard che possono essere eseguite su hardware quantistico reale. Il risultato è una macchina che, in simulazione, eguaglia l'accuratezza dei migliori metodi classici, offrendo al contempo un nuovo percorso architettonico che non richiede il caricamento dell'intero set di addestramento in una banca di memoria separata e massiccia.

I ricercatori hanno iniziato affrontando il problema di come tradurre i dati ordinari in un linguaggio che un computer quantistico possa comprendere. Le macchine quantistiche operano su stati che devono avere una dimensione matematica specifica, proprio come un palloncino che deve essere gonfiato a un volume preciso per mantenere la sua forma. Se si rimpicciolisce semplicemente un oggetto grande per farlo entrare, si perde l'informazione sulla sua dimensione originale. Il team ha utilizzato una tecnica matematica chiamata proiezione stereografica inversa per mappare i propri dati su una sfera. Questo processo è intelligente perché preserva la dimensione e la forma originali dei punti dati pur adattandoli al formato quantistico richiesto. Facendo ciò, hanno garantito che la distanza tra due punti nei dati originali sia fedelmente riflessa nella distanza tra le loro rappresentazioni quantistiche. Questo passaggio era cruciale; senza di esso, il computer quantistico starebbe confrontando ombre distorte invece degli oggetti reali, portando a risposte errate.

Una volta codificati correttamente i dati, il team ha costruito un circuito che agisce come un gigantesco motore di confronto. In un approccio tradizionale, un computer confronterebbe la nuova query con il primo punto di addestramento, poi con il secondo, poi con il terzo, e così via, uno alla volta. Il circuito quantistico descritto in questo articolo fa qualcosa di più radicale: pone tutti i dati di addestramento in uno stato di sovrapposizione, dove esistono in una combinazione di tutti i possibili stati contemporaneamente. Il circuito utilizza poi una rete di swap controllati, che possono essere pensati come un sofisticato meccanismo di smistamento, per instradare i dati. Questa rete permette al computer quantistico di confrontare la query contro ogni singolo punto di addestramento da ogni singola classe simultaneamente. La macchina non ha bisogno di controllarli sequenzialmente; valuta l'intera biblioteca in un colpo solo.

Il cuore del processo di misurazione si basa su una tecnica nota come test SWAP. Questa è una procedura che controlla quanto siano simili due stati quantistici. Se due stati sono identici, il test produce un risultato; se sono diversi, ne produce un altro. I ricercatori hanno progettato il loro circuito in modo che la probabilità di ottenere un risultato di misurazione specifico sia direttamente collegata a quanto un punto di addestramento sia vicino alla query. Eseguendo il circuito molte volte e contando i risultati, la macchina costruisce un quadro statistico di quali punti di addestramento siano i match più vicini. Fondamentalmente, il circuito tiene traccia anche della classe a cui appartiene ogni vicino più prossimo. Ciò consente al sistema di eseguire un voto di maggioranza, decidendo l'etichetta finale in base ai vicini più prossimi, proprio come farebbe un essere umano se chiedesse l'opinione di un gruppo di esperti.

Il team ha testato il proprio design utilizzando un benchmark che coinvolgeva quattro diverse categorie di dati, con migliaia di confronti simulati. Hanno scoperto che il circuito quantistico riproduceva esattamente le regole decisionali del metodo classico. Nel limite di misurazioni infinite, il sistema quantistico e il sistema classico concordavano su ogni singolo caso di test. Anche con un numero realistico di misurazioni, il classificatore quantistico ha eguagliato l'accuratezza classica entro un margine molto piccolo, differendo di meno di un punto percentuale negli scenari più difficili. Questo livello di prestazione è significativo perché dimostra che l'approccio quantistico non sacrifica l'accuratezza per la velocità o la complessità. Il sistema ha identificato con successo i vicini corretti e assegnato le etichette corrette, provando che la logica sottostante regge allo scrutinio.

Un grande punto di forza di questo lavoro è che evita la necessità di una Quantum Random Access Memory, o QRAM. Molte proposte precedenti di machine learning quantistico assumevano l'esistenza di questa tecnologia, che avrebbe permesso a un computer quantistico di recuperare istantaneamente qualsiasi pezzo di dato da una massiccia banca di memoria. Tuttavia, la QRAM rimane un concetto teorico che non è stata costruita e che potrebbe essere fisicamente impossibile da realizzare su larga scala. Il nuovo design non utilizza la QRAM. Invece, carica i dati direttamente nei registri del circuito. Sebbene questo processo di caricamento richieda un tempo proporzionale alla dimensione dei dati, è un passaggio pratico e implementabile che non dipende da hardware ipotetici. I ricercatori sono stati trasparenti riguardo a questo costo, notando che il tempo speso per caricare i dati è attualmente il collo di bottiglia principale, ma hanno dimostrato che la parte di confronto è altamente efficiente e non richiede che i dati siano memorizzati in una banca di memoria separata e inaccessibile.

I ricercatori hanno inoltre confrontato il loro metodo con altri approcci quantistici che sono stati proposti negli ultimi anni. Hanno scoperto che i metodi che si basano su diversi tipi di codifica dei dati spesso perdevano informazioni importanti sulla dimensione dei punti dati, portando a una minore accuratezza. Il loro approccio, che preserva la geometria completa dei dati, ha performato bene quanto i migliori metodi classici e meglio di altre proposte quantistiche che si basavano su codifiche meno complete. Inoltre, quando hanno contato il numero totale di componenti fisici richiesti, inclusa la memoria necessaria per contenere i dati, il loro design è risultato più efficiente dei metodi basati su QRAM per dataset di una certa dimensione. Ciò suggerisce che la loro architettura non è solo una curiosità teorica, ma una via percorribile per l'hardware futuro.

Lo studio conclude che è possibile costruire un classificatore quantistico multi-classe che funzioni in un singolo circuito senza fare affidamento su tecnologia non provata. Il sistema traduce con successo i dati classici in stati quantistici, confronta una query contro un intero dataset simultaneamente e legge i risultati con alta accuratezza. Sebbene la velocità attuale del sistema sia limitata dal tempo necessario per caricare i dati, l'architettura stessa è solida e modulare. Ciò significa che man mano che gli scienziati svilupperanno modi migliori per caricare i dati nei computer quantistici, questo specifico design di circuito potrà beneficiare immediatamente di tali miglioramenti senza dover essere riprogettato. Il lavoro fornisce una dimostrazione chiara e concreta di come l'interferenza quantistica possa essere sfruttata per risolvere un classico problema di ricerca, avvicinando il campo alle applicazioni pratiche in cui le macchine quantistiche possono realmente assistere l'analisi di dati complessi.