Le tecniche di apprendimento automatico si sono finora rivelate molto promettenti per l'analisi dei dati in diversi campi, con molte potenziali applicazioni. Però, i ricercatori hanno scoperto che l'applicazione di questi metodi ai problemi di fisica quantistica è molto più impegnativa a causa della complessità esponenziale dei sistemi a molti corpi.

I sistemi quantistici a molti corpi sono essenzialmente strutture microscopiche costituite da diverse particelle interagenti. Mentre gli studi di fisica quantistica si sono concentrati sul comportamento collettivo di questi sistemi, l'utilizzo dell'apprendimento automatico in queste indagini si è rivelato molto difficile.

Con questo in testa, un team di ricercatori dell'Università di Harvard ha recentemente sviluppato un algoritmo basato su circuiti quantistici ispirato alle reti neurali convoluzionali (CNN), una popolare tecnica di apprendimento automatico che ha ottenuto risultati notevoli in una varietà di campi. Nella loro carta, pubblicato in Fisica della natura , i ricercatori hanno delineato questa nuova architettura e valutato la sua accuratezza nel riconoscere gli stati quantistici associati a 1-D, fase topologica protetta dalla simmetria.

"Il nostro lavoro è in gran parte motivato dai recenti progressi sperimentali per costruire computer quantistici e dallo sviluppo dell'intelligenza artificiale basata su metodi di rete neurale, " Soonwon Choi, uno dei ricercatori che ha condotto lo studio, ha detto a Phys.org. "In un certo senso, l'idea di combinare tecniche di apprendimento automatico e computer/simulatori quantistici è molto naturale:in entrambi i campi, stiamo cercando di estrarre informazioni significative da una grande quantità di dati complessi."

Come fisico teorico che studia i sistemi quantistici a molti corpi, Choi si era spesso chiesto se potesse esistere un modo più efficiente per analizzare la grande quantità di dati complessi ottenuti utilizzando simulatori quantistici. Le reti neurali artificiali attirarono presto la sua attenzione, poiché hanno portato a risultati degni di nota in diversi altri compiti.

Trasformare i tradizionali approcci di apprendimento automatico in modo che possano essere applicati efficacemente nella fisica quantistica, però, sembrava essere impegnativo. La ragione principale di ciò è che i simulatori quantistici esistenti sono piuttosto piccoli, quindi non sono in grado di supportare CNN su larga scala e altre tecniche di apprendimento automatico che vengono utilizzate nei computer convenzionali.

"Dovevamo assicurarci che tutte le caratteristiche importanti delle tecniche di apprendimento automatico convenzionali fossero mantenute mentre il nostro nuovo algoritmo fosse il più compatto possibile, " ha spiegato Choi. "Uno degli obiettivi del presente lavoro è stato quello di generalizzare uno specifico, ben nota architettura di apprendimento automatico chiamata rete neurale convoluzionale (CNN) per un circuito quantistico compatto, e dimostrare le sue capacità con esempi semplicistici ma significativi."

Nel loro studio, Choi e i suoi colleghi presumevano che le CNN dovessero il loro grande successo a due importanti caratteristiche. in primo luogo, il fatto che sono costituiti da unità locali più piccole (cioè, più strati di porte quantistiche quasi locali). In secondo luogo, la loro capacità di elaborare i dati di input in modo gerarchico. I ricercatori hanno trovato una connessione tra queste due caratteristiche e due famosi concetti di fisica noti come località e rinormalizzazione.

"La località è naturale in fisica perché crediamo che la legge della natura sia fondamentalmente locale, " disse Choi. "Rinormalizzazione, d'altra parte, è un concetto molto interessante. In fisica, alcune caratteristiche universali di un sistema quantistico a molti corpi, come la fase (es. liquido, gas, solido, ecc.) di materiali non dipendono (o non sono sensibili a) informazioni microscopicamente dettagliate del sistema, ma piuttosto governato solo da alcuni importanti parametri nascosti. La rinormalizzazione è una tecnica teorica per identificare quei parametri importanti a partire dalla descrizione microscopica di un sistema quantistico".

I ricercatori hanno osservato che i processi di rinormalizzazione condividono alcune somiglianze con le applicazioni di riconoscimento dei modelli, in particolare quelli in cui viene utilizzato l'apprendimento automatico per identificare gli oggetti nelle immagini. Ad esempio, quando una CNN addestrata per compiti di riconoscimento di modelli analizza immagini di animali, si concentra su una caratteristica universale (cioè, cercando di identificare quale animale è ritratto nell'immagine), indipendentemente dal fatto che singoli animali dello stesso tipo (ad es. gatti) hanno un aspetto leggermente diverso.

Questo processo è in qualche modo simile alle tecniche di rinormalizzazione in fisica teorica, che può anche aiutare a distillare informazioni universali. Nel loro studio, Choi e i suoi colleghi hanno cercato di sviluppare un'architettura con le stesse qualità chiave delle CNN, ma ciò sarebbe applicabile anche ai problemi di fisica quantistica.

"Il circuito quantistico risultante coinvolge solo il numero log(n) di parametri da ottimizzare per i dati di input di n-qubit, che è un doppio miglioramento esponenziale rispetto a un approccio ingenuo, in cui exp(n) numero di parametri sono ottimizzati, " ha spiegato Choi. "Quando il numero di parametri da ottimizzare diventa così piccolo, ci si può preoccupare che il nostro circuito non sia in grado di elaborare complesse attività di elaborazione delle informazioni. Però, abbiamo dimostrato che nonostante le sue piccole dimensioni, la nostra CNN quantistica è ancora in grado di riconoscere diverse fasi quantistiche e progettare schemi di correzione degli errori quantistici".

I ricercatori hanno valutato la tecnica che hanno sviluppato, chiamata rete neurale convoluzionale quantistica (QCNN), su un problema specifico della fisica quantistica che implicava il riconoscimento di stati quantistici associati a una fase topologica protetta da simmetria 1-D. Sorprendentemente, la loro tecnica è stata in grado di riconoscere questi stati quantistici, superando gli approcci esistenti. Essendo abbastanza compatto, il QCNN potrebbe anche essere implementato in piccoli computer quantistici.

"Secondo me, la scoperta più significativa nel nostro lavoro è la connessione tra concetti fisici ben noti, rinormalizzazione (o più precisamente, ansatz di rinormalizzazione dell'entanglement multiscala), e una tecnica di elaborazione delle informazioni di successo nell'intelligenza artificiale, CNN, " ha detto Choi. "Connessioni simili sono già state suggerite diversi anni fa, ma qui abbiamo corroborato con successo la connessione dimostrandola esplicitamente con un esempio chiaro".

Choi e i suoi colleghi sono tra i primi a creare con successo un'architettura ispirata alla CNN che incorpora la fisica quantistica. Gli esempi delineati nel loro documento sono anche abbastanza semplici da essere applicati sperimentalmente a dispositivi quantistici esistenti e futuri. I loro risultati suggeriscono che la rinormalizzazione potrebbe essere una tecnica di elaborazione delle informazioni quantistiche promettente e quindi intendono esplorare ulteriormente questa idea.

"Abbiamo dimostrato che il nostro metodo consente di progettare schemi di correzione degli errori quantistici su misura per un dato sistema sperimentale, " ha detto Choi. "Sarebbe molto eccitante vedere la sua azione nell'uscire dalle piattaforme di calcolo quantistico e migliorare le loro prestazioni".

Nel loro lavoro futuro, Choi e i suoi colleghi cercheranno prima di utilizzare le loro scoperte per sviluppare nuovi computer quantistici. Inoltre, vorrebbero condurre ulteriori ricerche che indaghino sulla relazione tra CNN o altri metodi basati su reti neurali e tecniche di rinormalizzazione.

"Mentre abbiamo dimostrato un bell'esempio per i sistemi quantistici unidimensionali, manca ancora uno studio più approfondito della connessione nella sua piena generalità, " ha aggiunto Choi. "In particolare, studiare la connessione nei sistemi quantistici bidimensionali sarebbe un'entusiasmante direzione futura".

© 2019 Scienza X Rete