I ricercatori del Caltech e della University of Southern California (USC) riferiscono della prima applicazione del calcolo quantistico a un problema di fisica. Utilizzando tecniche di machine learning quantistiche compatibili, hanno sviluppato un metodo per estrarre un raro segnale di bosone di Higgs da abbondanti dati di rumore. Higgs è la particella che è stata prevista per impregnare le particelle elementari di massa ed è stata scoperta al Large Hadron Collider nel 2012. Si è scoperto che il nuovo metodo di apprendimento automatico quantistico funziona bene anche con piccoli set di dati, a differenza delle controparti standard.

Nonostante il ruolo centrale della fisica nell'informatica quantistica, fino ad ora, nessun problema di interesse per i ricercatori di fisica è stato risolto dalle tecniche di calcolo quantistico. In questo nuovo lavoro, i ricercatori hanno estratto con successo informazioni significative sulle particelle di Higgs programmando un ricottore quantistico, un tipo di computer quantistico in grado di eseguire solo attività di ottimizzazione, per ordinare i dati di misurazione delle particelle disseminati di errori. Maria Spiropulu del Caltech, il Professore di Fisica Shang-Yi Ch'en, ideato il progetto e collaborato con Daniel Lidar, pioniere della metodologia di apprendimento automatico quantistico e professore di ingegneria a Viterbi presso la USC, che è anche un distinto studioso di Moore nella divisione di fisica del Caltech, Matematica e Astronomia.

Il programma quantistico cerca modelli all'interno di un set di dati per distinguere dati significativi dalla spazzatura. Si prevede che sarà utile per problemi al di là della fisica delle alte energie. I dettagli del programma e i confronti con le tecniche esistenti sono dettagliati in un articolo pubblicato il 19 ottobre sulla rivista Natura .

Una tecnica di calcolo popolare per la classificazione dei dati è il metodo della rete neurale, noto per la sua efficienza nell'estrazione di modelli oscuri all'interno di un set di dati. I pattern identificati dalle reti neurali sono difficili da interpretare, poiché il processo di classificazione non rivela come sono stati scoperti. Le tecniche che portano a una migliore interpretabilità sono spesso più soggette a errori e meno efficienti.

"Alcune persone nella fisica delle alte energie stanno andando avanti con le reti neurali, ma le reti neurali non sono facilmente interpretabili da un fisico, " dice lo studente laureato in fisica della USC Joshua Job, co-autore del documento e studente ospite al Caltech. Il nuovo programma quantistico è "un semplice modello di apprendimento automatico che raggiunge un risultato paragonabile a modelli più complicati senza perdere robustezza o interpretabilità, "dice Giobbe.

Con le tecniche precedenti, l'accuratezza della classificazione dipende fortemente dalle dimensioni e dalla qualità di un set di allenamento, che è una parte ordinata manualmente del set di dati. Questo è problematico per la ricerca in fisica delle alte energie, che ruota attorno a eventi rari sepolti in una grande quantità di dati sul rumore. "Il Large Hadron Collider genera un numero enorme di eventi, e i fisici delle particelle devono esaminare piccoli pacchetti di dati per capire quali sono interessanti, " dice Job. Il nuovo programma quantistico "è più semplice, richiede pochissimi dati di allenamento, e potrebbe anche essere più veloce. Abbiamo ottenuto che includendo gli stati eccitati, "dice Spiropulu.

Gli stati eccitati di un sistema quantistico hanno un'energia in eccesso che contribuisce agli errori nell'output. "Sorprendentemente, era effettivamente vantaggioso usare gli stati eccitati, le soluzioni subottimali, "dice Lidar.

"Perché esattamente questo è il caso, possiamo solo ipotizzare. Ma una ragione potrebbe essere che il vero problema che dobbiamo risolvere non è rappresentabile con precisione sul ricottore quantistico. A causa di ciò, soluzioni subottimali potrebbero essere più vicine alla verità, "dice Lidar.

Modellare il problema in modo che un ricottore quantistico possa capire si è rivelato una sfida sostanziale che è stata affrontata con successo dall'ex studente laureato di Spiropulu al Caltech, Alex Mott (dottorato di ricerca '15), che ora è a DeepMind. "La programmazione di computer quantistici è fondamentalmente diversa dalla programmazione di computer classici. È come codificare direttamente i bit. L'intero problema deve essere codificato in una volta, e poi viene eseguito solo una volta come programmato, "dice Motto.

Nonostante i miglioramenti, i ricercatori non affermano che i ricottori quantistici siano superiori. Quelli attualmente disponibili sono semplicemente "non abbastanza grandi da codificare anche problemi di fisica abbastanza difficili da dimostrare alcun vantaggio, "dice Spiropulu.

"È perché stiamo confrontando un migliaio di qubit, bit di informazione quantistica, a un miliardo di transistor, "dice Jean-Roch Vlimant, uno studioso post-dottorato in fisica delle alte energie al Caltech. "La complessità della ricottura simulata esploderà ad un certo punto, e speriamo che la ricottura quantistica offra anche accelerazione, "dice Vlimant.

I ricercatori stanno attivamente cercando ulteriori applicazioni della nuova tecnica di classificazione di ricottura quantistica. "Siamo stati in grado di dimostrare un risultato molto simile in un dominio di applicazione completamente diverso applicando la stessa metodologia a un problema di biologia computazionale, " dice Lidar. "C'è un altro progetto sui miglioramenti del tracciamento delle particelle che utilizzano tali metodi, e stiamo cercando nuovi modi per esaminare le particelle cariche, "dice Vlimant.

"Il risultato di questo lavoro è un approccio basato sulla fisica all'apprendimento automatico che potrebbe avvantaggiare un ampio spettro di scienze e altre applicazioni, " dice Spiropulu. "C'è molto lavoro entusiasmante e scoperte da fare in questa emergente arena interdisciplinare di scienza e tecnologia, lei conclude.