Gli scienziati di Skoltech hanno dimostrato che l'apprendimento automatico potenziato quantistico può essere utilizzato su dati quantistici (anziché classici), superando un significativo rallentamento comune a queste applicazioni e aprendo un "terreno fertile per sviluppare intuizioni computazionali nei sistemi quantistici". Il documento è stato pubblicato sulla rivista Revisione fisica A .

I computer quantistici utilizzano gli effetti della meccanica quantistica per archiviare e manipolare le informazioni. Sebbene gli effetti quantistici siano spesso considerati controintuitivi, tali effetti consentiranno ai calcoli quantistici avanzati di superare notevolmente le prestazioni dei migliori supercomputer. Nel 2019, il mondo ha visto un prototipo di questo dimostrato da Google come superiorità computazionale quantistica.

Sono stati sviluppati algoritmi quantistici per migliorare una gamma di diversi compiti computazionali; più recentemente questo è cresciuto fino a includere l'apprendimento automatico potenziato quantistico. L'apprendimento automatico quantistico è stato in parte sperimentato dal laboratorio residente di Skoltech per l'elaborazione delle informazioni quantistiche, guidato da Jacob Biamonte, un coator di questo documento. "Le tecniche di apprendimento automatico sono diventate potenti strumenti per trovare modelli nei dati. I sistemi quantistici producono modelli atipici che si pensa che i sistemi classici non producano in modo efficiente, quindi non sorprende che i computer quantistici possano superare i computer classici nelle attività di apprendimento automatico, " lui dice.

L'approccio standard all'apprendimento automatico potenziato quantistico è stato quello di applicare algoritmi quantistici ai dati classici. In altre parole, i dati classici (rappresentati da stringhe di bit di 1 e 0) devono essere archiviati o altrimenti rappresentati da un processore quantistico prima che gli effetti quantistici possano essere utilizzati. Questo è chiamato il problema della lettura dei dati. La lettura dei dati serve a limitare l'accelerazione possibile utilizzando algoritmi di apprendimento automatico potenziati quantisticamente.

Un team di ricercatori di Skoltech ha unito l'apprendimento automatico quantistico avanzato con la simulazione quantistica avanzata, applicando il loro approccio allo studio delle transizioni di fase in problemi magnetici quantistici a molti corpi. Così facendo, addestrano le reti neurali quantistiche utilizzando solo gli stati quantistici come dati. In altre parole, gli autori eludono il problema della lettura dei dati alimentando stati della materia quantomeccanici. Tali stati sembrano richiedere generalmente una quantità impossibile di memoria da rappresentare utilizzando approcci standard (non quantistici).

L'autore principale dello studio, Il dottorando di Skoltech Alexey Uvarov descrive lo studio come "un passo verso la comprensione della potenza dei dispositivi quantistici per l'apprendimento automatico". I ricercatori hanno unito un assortimento di tecniche, che includeva l'applicazione di alcune idee dalle reti tensoriali e dalla teoria dell'entanglement nell'analisi del loro approccio.

Il lavoro utilizza una subroutine nota come variazionale quantum eigensolver (VQE), un algoritmo che trova in modo iterativo un'approssimazione allo stato fondamentale di un dato hamiltoniano quantistico. L'output di questa subroutine è un insieme di istruzioni per preparare uno stato quantistico su un computer quantistico.

Scrivendo lo stato in modo esplicito, anche se, in genere richiede una quantità esponenziale di memoria, quindi le proprietà di tale stato sono meglio esaminate preparandolo nell'hardware. L'algoritmo di apprendimento nell'articolo si occupa del seguente problema:dato uno stato VQE che risolve il problema dello stato fondamentale per un modello di spin quantistico, scoprire a quale delle due fasi della materia appartiene quello stato.

"Mentre abbiamo concentrato i nostri approcci sui problemi della fisica della materia condensata, tali algoritmi quantistici potenziati si applicano ugualmente alle sfide affrontate nella scienza dei materiali e nella scoperta di farmaci, "Biamonte note.