L'informatica quantistica promette di migliorare la nostra capacità di eseguire alcune attività computazionali critiche in futuro. L'apprendimento automatico sta cambiando il modo in cui utilizziamo i computer nella nostra vita quotidiana attuale e nella scienza. È naturale cercare connessioni tra questi due approcci emergenti all'informatica, nella speranza di trarne molteplici benefici. La ricerca dei link di collegamento è appena iniziata, ma stiamo già vedendo molto potenziale in questo selvaggio, territorio inesplorato. Presentiamo qui due nuovi articoli di ricerca:"Misurazione precisa di osservabili quantistici con stimatori di reti neurali, " pubblicato su Physical Review Research, e "Stati fermionici della rete neurale per la struttura elettronica ab-initio, " pubblicato in Comunicazioni sulla natura .

Domare la funzione d'onda

Oggi, si pensa che la previsione delle proprietà della struttura elettronica per molecole e materiali sia uno dei percorsi più brevi per il vantaggio quantistico.

Simulazione della meccanica quantistica, d'altra parte, è una nuovissima applicazione per lo strumento più affilato di machine learning:le reti neurali. Solo negli ultimi anni le reti neurali sono state utilizzate per classificare le fasi della materia quantistica o come ansatz variazionale per l'interazione di molti sistemi corporei.

Rappresentare le funzioni delle onde quantistiche è qualcosa che sia i computer quantistici che le reti neurali si sforzano di fare. Questo terreno comune può essere utilizzato come punto di partenza per l'esplorazione di possibili connessioni. Ogni approccio ha i suoi vantaggi, e i suoi punti deboli.

L'importanza di essere precisi

Il risolutore quantistico variazionale (VQE), insieme ad altri algoritmi a bassa profondità per la struttura elettronica, sfrutta l'archiviazione e la manipolazione degli stati quantistici per recuperare le proprietà dello stato fondamentale ed eccitato dei sistemi quantistici di interesse. Fare quello, nel caso dei sistemi molecolari, dobbiamo misurare il valore di aspettativa degli operatori hamiltoniani, che rappresentano le energie molecolari. Dobbiamo anche farlo in modo molto preciso:una misurazione con forti fluttuazioni casuali renderebbe l'intero algoritmo quantistico inutilizzabile per scopi pratici. Come risulta, i computer quantistici non sono molto bravi in ​​questo compito. Più specificamente, il numero di misurazioni per ottenere una precisione sufficiente per applicazioni che mostrerebbero vantaggi quantistici è proibitivo per la tecnologia attuale.

In "Misurazione precisa di osservabili quantistici con stimatori di reti neurali" di PRR, " una collaborazione con due ricercatori del Flatiron Institute, Giacomo Torlai e Giuseppe Carleo, abbiamo utilizzato tecniche di rete neurale sull'informatica quantistica per simulazioni chimiche più accurate. La tecnica si basa sull'addestramento di una rete neurale, con dati di misurazione raccolti su un computer quantistico. Una volta addestrato, la rete neurale codifica una rappresentazione parziale dello stato quantistico, che è abbastanza buono per recuperare energie molecolari con estrema precisione.

Un computer quantistico, integrato con il nostro nuovo stimatore di rete neurale, combina i vantaggi dei due approcci.

Un computer quantistico, integrato con il nostro nuovo stimatore di rete neurale, combina i vantaggi dei due approcci. Mentre viene eseguito un circuito quantistico di scelta, sfruttiamo la potenza dei computer quantistici per interferire con gli stati in uno spazio di Hilbert in crescita esponenziale. Dopo che il processo di interferenza quantistica ha fatto il suo corso, otteniamo un insieme finito di misurazioni. Quindi uno strumento classico, la rete neurale, può utilizzare questa quantità limitata di dati per rappresentare ancora in modo efficiente informazioni parziali di uno stato quantistico, come la sua energia simulata.

Questa trasmissione di dati da un processore quantistico a una rete classica ci lascia con la grande domanda:

Quanto sono efficaci le reti neurali nel catturare le correlazioni quantistiche di un set di dati di misurazione finito, generato campionamento funzioni d'onda molecolare?

Strumenti di calcolo quantistico per scienziati computazionali

Per rispondere a questa domanda, abbiamo dovuto pensare a come la rete neurale potesse emulare la materia fermionica. Le reti neurali sono state finora utilizzate per la simulazione di reticoli di spin e problemi di spazio continuo. Risolvere modelli fermionici con la rete neurale è rimasto un compito elusivo. Per trovare un modo per aggirare questo, abbiamo esaminato il modo in cui le molecole vengono simulate sui computer quantistici.

Abbiamo usato le codifiche dei gradi di libertà fermionici a quelli dei qubit, che sono le stesse codifiche utilizzate quando si eseguono simulazioni molecolari su computer quantistici, come negli algoritmi variazionali. Con queste mappature, disponibile su Qiskit Aqua, abbiamo definito gli stati della rete neurale fermionica. Li abbiamo testati su un computer classico, contro gli stati fondamentali molecolari, che sono oggetti quantistici di interesse pratico sia per i calcoli quantistici che classici.

Nell'articolo di Nature Communications di maggio, 2020, scritto con Kenny Choo (Università di Zurigo) e Giuseppe Carleo (Flatiron Institute), abbiamo dimostrato che le reti neurali poco profonde come le macchine Boltzmann ristrette possono catturare le energie dello stato fondamentale di piccoli sistemi molecolari, utilizzando tecniche variazionali Monte Carlo.

I risultati di questo lavoro hanno un impatto sia sull'informatica quantistica che su quella classica. Infatti, da una parte, il nostro lavoro suggerisce che possiamo addestrare in modo sicuro le reti neurali su dati quantistici provenienti da sistemi molecolari. D'altra parte, abbiamo dimostrato che gli strumenti di calcolo quantistico, come le codifiche da fermione a qubit, può essere utilizzato nel contesto delle tecniche computazionali classiche.

Questi collegamenti rafforzeranno ulteriormente le interazioni reciproche tra la scienza computazionale classica e le comunità di calcolo quantistico. Per l'informatica quantistica, potrebbe significare che le future applicazioni nello spazio della simulazione quantistica trarranno sempre più vantaggio dall'elaborazione dei dati quantistici mediante tecniche di apprendimento automatico. Per la fisica e la chimica computazionali, è ora di iniziare a guardare cosa si può imparare dagli algoritmi di calcolo quantistico.