(Phys.org) — I fisici hanno scoperto che la struttura di alcuni tipi di algoritmi di apprendimento quantistico è molto simile alle loro controparti classiche, una scoperta che aiuterà gli scienziati a sviluppare ulteriormente le versioni quantistiche. Gli algoritmi classici di apprendimento automatico sono attualmente utilizzati per eseguire attività computazionali complesse, come il riconoscimento di modelli o la classificazione in grandi quantità di dati, e costituiscono una parte cruciale di molte moderne tecnologie. Lo scopo degli algoritmi di apprendimento quantistico è portare queste funzionalità in scenari in cui le informazioni sono in una forma completamente quantistica.

Gli scienziati, Alex Monràs all'Università Autonoma di Barcellona, Spagna; Gael Sentís dell'Università dei Paesi Baschi, Spagna, e l'Università di Siegen, Germania; e Peter Wittek all'ICFO-The Institute of Photonic Science, Spagna, e l'Università di Borås, Svezia, hanno pubblicato un articolo sui loro risultati in un recente numero di Lettere di revisione fisica .

"Il nostro lavoro svela la struttura di una classe generale di algoritmi di apprendimento quantistico a un livello molto fondamentale, "Sentís ha detto Phys.org . "Dimostra che le operazioni potenzialmente molto complesse coinvolte in una configurazione quantistica ottimale possono essere abbandonate a favore di uno schema operativo molto più semplice, che è analogo a quello utilizzato negli algoritmi classici, e nessuna prestazione viene persa nel processo. Questa scoperta aiuta a stabilire le capacità ultime degli algoritmi di apprendimento quantistico, e apre la porta all'applicazione di risultati chiave nell'apprendimento statistico a scenari quantistici".

Nel loro studio, i fisici si sono concentrati su un tipo specifico di apprendimento automatico chiamato apprendimento supervisionato induttivo. Qui, all'algoritmo vengono date istanze di addestramento da cui estrae regole generali, e quindi applica queste regole a una varietà di istanze di test (o problema), quali sono i problemi reali per i quali l'algoritmo è addestrato. Gli scienziati hanno dimostrato che gli algoritmi di apprendimento supervisionato sia classico che induttivo quantistico devono avere queste due fasi (una fase di addestramento e una fase di test) che sono completamente distinte e indipendenti. Mentre nella configurazione classica questo risultato segue banalmente dalla natura dell'informazione classica, i fisici hanno mostrato che nel caso quantistico è una conseguenza del teorema di non clonazione quantistica, un teorema che proibisce di fare una copia perfetta di uno stato quantistico.

Rivelando questa somiglianza, i nuovi risultati generalizzano alcune idee chiave della teoria classica dell'apprendimento statistico a scenari quantistici. Essenzialmente, questa generalizzazione riduce i protocolli complessi a quelli più semplici senza perdere prestazioni, rendendo più facile svilupparli e implementarli. Ad esempio, un potenziale vantaggio è la possibilità di accedere allo stato dell'algoritmo di apprendimento tra le fasi di addestramento e di test. Basandosi su questi risultati, i ricercatori si aspettano che il lavoro futuro possa portare a una teoria completamente quantistica dei limiti di rischio nell'apprendimento statistico quantistico.

"Saranno utilizzati algoritmi di apprendimento quantistico induttivo supervisionato per classificare le informazioni memorizzate nei sistemi quantistici in modo automatizzato e adattabile, una volta addestrato con sistemi campione, " Sentís ha detto. "Saranno potenzialmente utili in tutti i tipi di situazioni in cui le informazioni si trovano naturalmente in una forma quantistica, e probabilmente farà parte dei futuri protocolli di elaborazione delle informazioni quantistiche. I nostri risultati aiuteranno nella progettazione e nel benchmarking di questi algoritmi rispetto alle migliori prestazioni ottenibili consentite dalla meccanica quantistica".

© 2017 Phys.org