I computer quantistici potrebbero un giorno risolvere problemi algoritmici che nemmeno i più grandi supercomputer di oggi possono gestire. Ma come si fa a testare un computer quantistico per assicurarsi che funzioni in modo affidabile? A seconda del compito algoritmico, questo potrebbe essere un problema di certificazione facile o molto difficile. Un team internazionale di ricercatori ha compiuto un passo importante verso la soluzione di una difficile variante di questo problema, utilizzando un approccio statistico sviluppato presso l'Università di Friburgo. I risultati del loro studio sono pubblicati nell'ultima edizione di Fotonica della natura .

Il loro esempio di un difficile problema di certificazione è l'ordinamento di un numero definito di fotoni dopo che sono passati attraverso una disposizione definita di diversi elementi ottici. La disposizione fornisce a ciascun fotone un numero di percorsi di trasmissione, a seconda che il fotone sia riflesso o trasmesso da un elemento ottico. Il compito è prevedere la probabilità che i fotoni lascino la disposizione in punti definiti, per un dato posizionamento dei fotoni all'ingresso dell'arrangiamento. Con l'aumento delle dimensioni della disposizione ottica e l'aumento del numero di fotoni inviati sulla loro strada, il numero di possibili percorsi e distribuzioni dei fotoni alla fine aumenta vertiginosamente a causa del principio di indeterminazione che sta alla base della meccanica quantistica - così che non ci può essere previsione dell'esatta probabilità usando i computer a nostra disposizione oggi. I principi fisici dicono che diversi tipi di particelle, come fotoni o elettroni, dovrebbero produrre diverse distribuzioni di probabilità. Ma come possono gli scienziati distinguere queste distribuzioni e le diverse disposizioni ottiche quando non c'è modo di fare calcoli esatti?

Un approccio sviluppato nell'attuale studio rende ora possibile per la prima volta identificare le firme statistiche caratteristiche attraverso distribuzioni di probabilità non misurabili. Invece di una completa "impronta digitale, " sono stati in grado di distillare le informazioni da insiemi di dati che sono stati ridotti per renderli utilizzabili. Utilizzando tali informazioni, sono stati in grado di discriminare vari tipi di particelle e caratteristiche distintive delle disposizioni ottiche. Il team ha anche dimostrato che questo processo di distillazione può essere migliorato, attingendo a tecniche consolidate di machine learning, per cui la fisica fornisce le informazioni chiave su quale set di dati dovrebbe essere utilizzato per cercare i modelli pertinenti. E poiché questo approccio diventa più accurato per un numero maggiore di particelle, i ricercatori sperano che i loro risultati ci portino un passo fondamentale verso la risoluzione del problema della certificazione.