I computer quantistici potrebbero risolvere compiti complessi che vanno oltre le capacità dei computer convenzionali. Però, gli stati quantistici sono estremamente sensibili alle costanti interferenze del loro ambiente. Il piano è combattere questo problema utilizzando una protezione attiva basata sulla correzione degli errori quantistici. Florian Marquardt, Direttore del Max Planck Institute for the Science of Light, e il suo team hanno ora presentato un sistema quantistico di correzione degli errori in grado di apprendere grazie all'intelligenza artificiale.

Nel 2016, il programma per computer AlphaGo ha vinto quattro partite su cinque di Go contro il miglior giocatore umano del mondo. Dato che un gioco di Go ha più combinazioni di mosse di quante si stima ci siano atomi nell'universo, ciò richiedeva più della semplice potenza di elaborazione. Piuttosto, AlphaGo ha utilizzato reti neurali artificiali, che possono riconoscere modelli visivi e sono persino in grado di apprendere. A differenza di un umano, il programma è stato in grado di praticare centinaia di migliaia di giochi in breve tempo, alla fine superando il miglior giocatore umano. Ora, i ricercatori di Erlangen stanno utilizzando reti neurali di questo tipo per sviluppare l'apprendimento per la correzione degli errori per un computer quantistico.

Le reti neurali artificiali sono programmi per computer che imitano il comportamento delle cellule nervose interconnesse (neuroni) - nel caso della ricerca a Erlangen, circa duemila neuroni artificiali sono collegati tra loro. "Prendiamo le ultime idee dall'informatica e le applichiamo ai sistemi fisici, " spiega Florian Marquardt. "Così facendo, traiamo profitto dai rapidi progressi nel campo dell'intelligenza artificiale."

Le reti neurali artificiali potrebbero superare altre strategie di correzione degli errori

La prima area di applicazione sono i computer quantistici, come dimostrato dal recente documento, che comprende un significativo contributo di Thomas Fösel, uno studente di dottorato presso l'Istituto Max Planck di Erlangen. Nella carta, il team dimostra che le reti neurali artificiali con un'architettura ispirata ad AlphaGo sono in grado di apprendere, da sole, come eseguire un compito che sarà essenziale per il funzionamento dei futuri computer quantistici:la correzione degli errori quantistici. C'è anche la prospettiva che, con una formazione sufficiente, questo approccio supererà altre strategie di correzione degli errori.

Per capire di cosa si tratta, devi guardare al modo in cui funzionano i computer quantistici. La base dell'informazione quantistica è il bit quantistico, o qubit. A differenza dei bit digitali convenzionali, un qubit può adottare non solo i due stati zero e uno, ma anche sovrapposizioni di entrambi gli stati. Nel processore di un computer quantistico, ci sono anche più qubit sovrapposti come parte di uno stato congiunto. Questo entanglement spiega l'enorme potenza di elaborazione dei computer quantistici quando si tratta di risolvere alcuni compiti complessi in cui i computer convenzionali sono destinati a fallire. Il rovescio della medaglia è che l'informazione quantistica è altamente sensibile al rumore proveniente dal suo ambiente. Questa e altre peculiarità del mondo quantistico significano che l'informazione quantistica ha bisogno di riparazioni regolari, cioè, correzione dell'errore quantistico. Però, le operazioni che ciò richiede non solo sono complesse ma devono anche lasciare intatta l'informazione quantistica stessa.

La correzione degli errori quantistici è come un gioco di Go con regole strane

"Puoi immaginare gli elementi di un computer quantistico come se fossero proprio come una scheda Go, "dice Marquardt, arrivare all'idea centrale dietro il suo progetto. I qubit sono distribuiti su tutta la linea come pezzi. Però, ci sono alcune differenze chiave rispetto a un gioco convenzionale di Go:tutti i pezzi sono già distribuiti sul tabellone, e ciascuno di essi è bianco da un lato e nero dall'altro. Un colore corrisponde allo stato zero, l'altro a uno, e una mossa in un gioco di quantum Go implica capovolgere i pezzi. Secondo le regole del mondo quantistico, i pezzi possono anche adottare colori misti grigi, che rappresentano la sovrapposizione e l'entanglement di stati quantistici.

Quando si tratta di giocare, un giocatore - la chiameremo Alice - fa mosse che hanno lo scopo di preservare uno schema che rappresenta un certo stato quantico. Queste sono le operazioni di correzione dell'errore quantistico. Intanto, il suo avversario fa tutto il possibile per distruggere lo schema. Questo rappresenta il rumore costante dalla pletora di interferenze che i qubit reali sperimentano dal loro ambiente. Inoltre, un gioco di quantum Go è reso particolarmente difficile da una peculiare regola quantistica:ad Alice non è permesso guardare il tabellone durante il gioco. Qualsiasi sguardo che le riveli lo stato dei pezzi del qubit distrugge lo stato quantico sensibile che il gioco sta attualmente occupando. La domanda è:come può fare le mosse giuste nonostante questo?

I qubit ausiliari rivelano difetti nel computer quantistico

Nei computer quantistici, questo problema viene risolto posizionando qubit aggiuntivi tra i qubit che memorizzano le informazioni quantistiche effettive. È possibile eseguire misurazioni occasionali per monitorare lo stato di questi qubit ausiliari, consentendo al controller del computer quantistico di identificare dove si trovano i guasti e di eseguire operazioni di correzione sui qubit che trasportano informazioni in quelle aree. Nel nostro gioco di quantum Go, i qubit ausiliari sarebbero rappresentati da pezzi aggiuntivi distribuiti tra i pezzi di gioco effettivi. Alice è autorizzata a guardare di tanto in tanto, ma solo a questi pezzi ausiliari.

Nel lavoro dei ricercatori di Erlangen, Il ruolo di Alice è svolto da reti neurali artificiali. L'idea è che, attraverso la formazione, le reti diventeranno così brave in questo ruolo da poter persino superare le strategie di correzione ideate da menti umane intelligenti. Però, quando il team ha studiato un esempio che coinvolgeva cinque qubit simulati, un numero che è ancora gestibile per i computer convenzionali, sono stati in grado di dimostrare che una rete neurale artificiale da sola non è sufficiente. Poiché la rete può raccogliere solo piccole quantità di informazioni sullo stato dei bit quantistici, o meglio il gioco del Go quantistico, non va mai oltre lo stadio di prove ed errori casuali. In definitiva, questi tentativi distruggono lo stato quantico invece di ripristinarlo.

Una rete neurale usa le sue conoscenze precedenti per addestrarne un'altra

La soluzione si presenta sotto forma di una rete neurale aggiuntiva che funge da insegnante per la prima rete. Con la sua precedente conoscenza del computer quantistico che deve essere controllato, questa rete di insegnanti è in grado di addestrare l'altra rete, il suo studente, e quindi di guidare i suoi tentativi verso una correzione quantistica di successo. Primo, però, la stessa rete di insegnanti ha bisogno di imparare abbastanza sul computer quantistico o sui suoi componenti che devono essere controllati.

In linea di principio, le reti neurali artificiali vengono addestrate utilizzando un sistema di ricompensa, proprio come i loro modelli naturali. La ricompensa effettiva viene fornita per il ripristino dello stato quantistico originale mediante la correzione dell'errore quantistico. "Però, se solo il raggiungimento di questo obiettivo a lungo termine desse una ricompensa, sarebbe arrivato troppo tardi nei numerosi tentativi di correzione, " spiega Marquardt. I ricercatori di Erlangen hanno quindi sviluppato un sistema di ricompensa che, anche in fase di formazione, incentiva la rete neurale dell'insegnante ad adottare una strategia promettente. Nel gioco del quantum Go, questo sistema di ricompensa fornirebbe ad Alice un'indicazione dello stato generale del gioco in un dato momento senza rivelare i dettagli.

La rete studentesca può superare il suo insegnante attraverso le proprie azioni

"Il nostro primo obiettivo era che la rete di insegnanti imparasse a eseguire con successo operazioni di correzione degli errori quantistici senza ulteriore assistenza umana, " dice Marquardt. A differenza della rete studentesca della scuola, la rete di insegnanti può farlo basandosi non solo sui risultati delle misurazioni, ma anche sullo stato quantico complessivo del computer. La rete di studenti formata dalla rete di insegnanti sarà quindi inizialmente altrettanto buona, ma può diventare ancora migliore attraverso le sue stesse azioni.

Oltre alla correzione degli errori nei computer quantistici, Florian Marquardt prevede altre applicazioni per l'intelligenza artificiale. Secondo lui, la fisica offre molti sistemi che potrebbero trarre vantaggio dall'uso del riconoscimento di pattern da parte di reti neurali artificiali.