Coherence-Rate Graphs and the Trainability of Quantum Neural Networks Under Noise

Nella corsa alla costruzione di computer quantistici utili, gli scienziati stanno attualmente lavorando con macchine che sono potenti ma imperfette. Questi dispositivi, noti come computer quantistici a scala intermedia rumorosa (noisy intermediate-scale quantum computers), sono abbastanza grandi da tentare calcoli complessi, ma abbastanza piccoli da essere facilmente disturbati dal loro ambiente. Per far sì che queste macchine imparino dai dati, i ricercatori utilizzano un metodo chiamato apprendimento variazionale. Immaginate una macchina che regola le proprie impostazioni interne, come girare le manopole di una radio, per trovare la risposta migliore a un problema. La macchina esegue un calcolo, controlla il risultato e un computer classico le dice come girare le manopole per migliorare. Questo ciclo si ripete finché la macchina non impara. Tuttavia, questo processo spesso fallisce. Man mano che i calcoli diventano più profondi e complessi, il segnale che dice alla macchina come regolare le sue manopole può svanire completamente, lasciando la macchina bloccata in un paesaggio piatto dove non è possibile fare progressi. Questo è noto come plateau sterile (barren plateau).

Per evitare ciò, gli scienziati hanno iniziato a costruire circuiti che rispettano specifiche simmetrie, il che significa che la macchina è costretta a trattare certe parti del problema nello stesso modo. Questa restrizione aiuta a mantenere vivo il segnale di apprendimento in un mondo perfetto e privo di rumore. Ma il mondo reale non è perfetto. La domanda che ha a lungo tormentato i ricercatori è come si comportano questi circuiti, progettati rispettando le simmetrie, quando vengono effettivamente eseguiti su hardware rumoroso. Il rumore distrugge la protezione fornita dalla simmetria? Finora, l'unico modo per scoprirlo era eseguire migliaia di simulazioni, un processo lento, costoso e che spesso lascia i ricercatori a indovinare le ragioni sottostanti del fallimento.

Uno studio recente di Hassan Ugail e Newton Howard offre un approccio diverso. Invece di simulare l'intera macchina per vedere come fallisce, i ricercatori hanno sviluppato un modo per mappare il fallimento prima ancora che la macchina venga eseguita. Hanno creato uno strumento che chiamano grafo del tasso di coerenza (coherence-rate graph). Si tratta essenzialmente di una mappa che mostra come diverse parti del circuito quantistico decadono o perdono le loro informazioni quando esposte al rumore. Guardando la struttura di questa mappa, i ricerc fori possono prevedere esattamente quali parti del circuito rimarranno addestrabili e quali falliranno, senza dover eseguire una singola simulazione. Hanno scoperto che, per molti tipi comuni di rumore, il decadimento segue un modello semplice e prevedibile che può essere scritto sotto forma di una formula chiusa. Ciò consente loro di vedere immediatamente la "firma" del rumore.

Il team ha testato questo metodo su un tipo specifico di circuito quantistico progettato per conservare il numero di unità di energia, o eccitazioni, all'interno del sistema. Hanno esaminato nove diversi tipi di canali di rumore comuni nei dispositivi reali. Per ciascuno di essi, hanno derivato una regola matematica che descrive esattamente quanto velocemente decade l'informazione. Hanno scoperto che, per alcuni tipi di rumore, il tasso di decadimento dipende dalla distanza tra due stati, mentre per altri, dipende dallo specifico livello di energia dello stato stesso. Fondamentalmente, hanno dimostrato che se la struttura del circuito mantiene l'informazione all'interno di una specifica "zona sicura" sulla loro mappa, il segnale di apprendimento rimane perfettamente intatto, indipendentemente dalla forza del rumore. Questa protezione non è un'approssimazione; è esatta.

Tuttavia, i ricercatori hanno anche scoperto un fatto sorprendente e controintuitivo che sfida il modo in cui il settore ha pensato finora riguardo al rumore. Per molto tempo, si è assunto che se il rumore a livello di singole operazioni quantistiche fosse stato piccolo, l'effetto complessivo sul processo di apprendimento sarebbe stato altrettanto piccolo e prevedibile. Il nuovo studio mostra che questo non è vero. I ricercatori hanno trovato casi in cui il rumore a livello individuale era minuscolo, eppure l'effetto complessivo sul processo di apprendimento era degradato in modo massiccio — talvolta oltre dieci volte peggio di quanto suggerirebbero i livelli di rumore individuali. Hanno dimostrato che non si può semplicemente guardare il rumore di un singolo componente per prevedere la salute dell'intero sistema. Il modo in cui il rumore interagisce con la struttura del circuito può amplificare il danno in modi che le semplici misurazioni del rumore stesso non rivelerebbero mai.

Per garantire che le loro scoperte fossero solide come una roccia, il team non si è affidato a semplici ipotesi statistiche. Hanno costruito un benchmark deterministico, un calcolo preciso che funge da standard di riferimento. Hanno utilizzato questo per controllare le loro previsioni rispetto al comportamento reale dei circuiti. In un test specifico che coinvolgeva un circuito con sei strati di operazioni, la loro previsione iniziale basata su un piccolo campione di dati era significamente errata. Quando l'hanno confrontata con il loro benchmark esatto, hanno scoperto che la previsione aveva sottostimato il degrado. Ciò ha evidenziato il pericolo di affidarsi a piccoli campioni o medie semplici quando si trattano circuiti quantistici profondi. Il benchmark esatto ha confermato che il rumore era effettivamente più dannoso di quanto suggerissero le stime iniziali, convalidando la necessità del loro nuovo approccio più rigoroso.

Lo studio ha anche chiarito perché alcuni circuiti falliscono mentre altri hanno successo. Hanno dimostrato che controllare semplicemente se il rumore è debole in ogni passaggio non è sufficiente. Un circuito può apparire sicuro in ogni singolo passaggio, eppure fallire quando tutti i passaggi vengono combinati. Hanno fornito un esempio concreto in cui un circuito era protetto contro il rumore nel primo e nel secondo passaggio individualmente, ma quando entrambi i passaggi erano rumorosi contemporaneamente, la protezione è crollata. Ciò significa che la sicurezza di un computer quantistico non può essere garantita guardando le sue parti in isolamento; l'intero sistema deve essere visto come una rete connessa. Il loro nuovo metodo basato su grafi tiene conto di queste connessioni, permettendo ai ricercatori di vedere l'immagine completa di come il rumore si propaghi attraverso la macchina.

Le implicazioni per il settore sono significative. I ricercatori hanno fornito un insieme di strumenti che permettono agli scienziati di sottoporre un circuito quantistico ad un audit per l'addestrabilità prima ancora di eseguirlo su hardware costoso. Controllando la connettività del circuito rispetto alla mappa del rumore, possono identificare quali parametri sono sicuri e quali sono destinati al fallimento. Ciò risparmia tempo e risorse, concentrando gli sforzi di simulazione solo sui casi che ne hanno realmente bisogno. Inoltre, dimostrando che le misurazioni del rumore a livello di operatore possono essere pericolosamente fuorvianti, lo studio avverte la comunità contro l'affidamento di metriche semplici per giudicare la salute di un algoritmo quantistico. La strada da seguire, suggeriscono, è utilizzare queste mappe strutturali per progettare circuiti che siano intrinsecamente robusti, piuttosto che sperare che il rumore sia abbastanza lieve da poter essere ignorato.

In definitiva, questo lavoro trasforma il modo in cui comprendiamo la fragilità dell'apprendimento quantistico. Sposta la conversazione da "quanto rumore possiamo tollerare?" a "dove il rumore fa effettivamente male?". Mappando i tassi di decadimento e dimostrando esattamente dove la protezione regge, i ricercatori hanno trasformato una vaga paura del rumore in un problema ingegneristico preciso e risolvibile. Hanno dimostrato che, sebbene il rumore sia un ostacolo formidabile, non è un ostacolo caotico. Esso lascia una firma chiara e, con la mappa giusta, possiamo navigare intorno ad esso. Lo studio non pretende di aver risolto interamente il problema del rumore, ma ha fornito il primo modo affidabile per vedere chiaramente il panorama, offrendo una guida pratica per costruire macchine quantistiche che possano effettivamente apprendere.