Coherent-feedback and dissipative training of quantum reservoir computers
Questo articolo introduce e valida due protocolli di addestramento privi di misurazione per i computer a serbatoio quantistici, dimostrando che, sebbene non offrano ancora vantaggi predittivi autonomi rispetto ai metodi classici, essi affrontano con successo questioni chiave di fattibilità confermando che reset ad alta fedeltà sono sufficienti, che la precisione coerente dell'oracolo del costo è il collo di bottiglia principale, e che una realizzazione tollerante ai guasti è efficiente in termini di qubit e robusta contro il rumore del dispositivo.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Nel campo del machine learning, i computer spesso faticano con i dati che si sviluppano nel tempo, come il parlato, i mercati finanziari o i modelli meteorologici. Per gestire questo, gli scienziati utilizzano un metodo chiamato reservoir computing. Immaginate una macchina complessa e immutabile che riceve un flusso di informazioni e le elabora attraverso una vasta e intricata rete di connessioni. Questa macchina, il "reservoir", trasforma l'input grezzo in un ricco schema ad alta dimensionalità. Il computer deve quindi solo imparare un modo semplice e lineare per leggere l'output da questo schema per fare una previsione. Questo approccio è efficiente perché il lavoro pesante è svolto dalla macchina fissa, non da un processo di apprendimento lento.
Gli scienziati si sono a lungo chiesti se sostituire la macchina classica con una quantistica potesse offrire un enorme vantaggio. I sistemi quantistici possono esistere in molti stati contemporaneamente, offrendo uno spazio esponenzialmente più grande per elaborare informazioni. Tuttavia, un grande ostacolo è sempre stato il modo per addestrare questi sistemi quantistici. Nel calcolo quantistico standard, l'apprendimento richiede solitamente la misurazione del sistema per vedere quanto stia andando bene. Ma misurare un sistema quantistico è come scattare una fotografia che congela un oggetto in movimento; distrugge il delicato stato quantistico ed è incredibilmente lento rispetto alla velocità delle operazioni quantistiche stesse. Questo collo di bottiglia ha impedito al machine learning quantistico di diventare pratico per compiti del mondo reale.
Un team di ricercatori presso il Quantum Integrated Research Institute di Tokyo ha ora esplorato una strada diversa. Si sono chiesti se un computer quantistico potesse imparare senza mai fermarsi per misurare il proprio stato. Invece di guardare il risultato per decidere cosa cambiare, hanno proposto un metodo in cui il computer regola le proprie impostazioni basandosi su un ciclo di feedback continuo e invisibile. Hanno sviluppato due metodi distinti. Il primo metodo utilizza un trucco ingegnoso in cui l'informazione su come migliorare viene codificata in una fase nascosta del sistema, che viene poi reimmessa per regolare le impostazioni prima che il sistema venga resettato. Il secondo metodo si basa sulla tendenza naturale dei sistemi aperti a stabilizzarsi; ingegnerizzando attentamente l'ambiente, il sistema si rilassa naturalmente nella migliore configurazione possibile, molto simile a una pallina che rotola giù da una collina per trovare il punto più basso.
I ricercatori hanno testato queste idee utilizzando simulazioni su un sistema quantistico piccolo e semplificato. Hanno scoperto che entrambi i metodi potevano guidare con successo il computer quantistico nell'apprendimento, eguagliando le prestazioni dell'addestramento tradizionale che si affida alla misurazione. Nelle loro simulazioni, il sistema è stato in grado di prevedere il passaggio successivo in una sequenza caotica, come i modelli meteorologici fluttuanti del modello Mackey-Glass, con un livello di accuratezza che migliorava rispetto a un sistema non addestrato. Tuttavia, i risultati sono stati sfumati. Sebbene il sistema quantistico abbia mostrato un chiaro miglioramento nella previsione del passo immediatamente successivo di una sequenza caotica, non ha superato i migliori computer classici quando si trattava di prevedere la sequenza molto nel futuro in modo autonomo. Lo studio ha esplicitamente escluso l'idea che questo specifico approccio offra attualmente un "vantaggio quantistico" per la previsione autonoma, il che significa che non è ancora un chiaro vincitore rispetto ai metodi classici esistenti per le previsioni a lungo termine.
Una parte significativa del lavoro ha riguardato la determinazione di ciò che sarebbe necessario per costruire questo su un vero computer quantistico tollerante ai guasti. I ricercatori hanno calcolato che una macchina del genere non avrebbe bisogno di milioni di qubit, le unità di base dell'informazione quantistica, ma piuttosto di circa diecimila qubit fisici per gestire il processo di addestramento. La vera sfida, hanno scoperto, non è il numero di qubit, ma il tempo necessario per eseguire i calcoli. Il processo è limitato dalla velocità con cui il computer può completare i suoi cicli di operazioni, non da una mancanza di hardware. Inoltre, hanno identificato che la componente più critica è un "cost oracle", un meccanismo che dice al sistema quanto sia lontano dalla sua previsione corretta. Hanno scoperto che una tecnica matematica specifica, nota come rule di parameter-shift, potrebbe rendere questo meccanismo molto più preciso e facile da costruire di quanto precedentemente pensato, rimuovendo una barriera importante all'implementazione.
Per dimostrare che le loro idee non fossero solo teoriche, il team ha eseguito i loro circuiti quantistici ottimizzati su hardware quantistico reale fornito da IBM. Hanno utilizzato tre diverse macchine da 156 qubit, testando i circuiti sotto varie condizioni per vedere come resistessero al rumore e agli errori inevitabili dei dispositivi reali. I risultati sono stati incoraggianti: i circuiti quantistici hanno prodotto output che corrispondevano strettamente alle simulazioni ideali e prive di rumore, con un alto grado di correlazione. Ciò ha dimostrato che gli stati quantistici specifici che hanno progettato sono abbastanza robusti da sopravvivere alle imperfezioni della tecnologia attuale. Tuttavia, il ciclo di addestramento effettivo, che richiede il feedback complesso e continuo e il reset dei qubit a metà circuito, non poteva essere testato completamente su queste macchine perché tale capacità hardware specifica non è ancora disponibile.
Lo studio conclude che, sebbene questo approccio privo di misurazione non risolva ancora il problema di battere i computer classici nella previsione a lungo termine, dimostra con successo una via percorribile per l'addestramento dei sistemi quantistici senza il passaggio lento e distruttivo della misurazione. I ricercatori hanno dimostrato che l'hardware necessario per rimuovere l'entropia e resettare il sistema è già sufficiente, e che il collo di bottiglia principale è la precisione del meccanismo di feedback, che può essere migliorata con tecniche note. Il lavoro funge da de-risking del campo, identificando esattamente dove risiedono le sfide ingegneristiche e confermando che la strada da seguire è il perfezionamento della velocità e della precisione piuttosto che la scoperta di una fisica completamente nuova. La porta è aperta per un futuro hardware capace di eseguire questi cicli di feedback continui, potenzialmente sbloccando tutto il potenziale del reservoir computing quantistico negli anni a venire.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.