Un nuovo teorema dal campo dell'apprendimento automatico quantistico ha aperto un buco importante nella comprensione accettata sul rimescolamento delle informazioni.

"Il nostro teorema implica che non saremo in grado di utilizzare l'apprendimento automatico quantistico per apprendere processi casuali o caotici tipici, come i buchi neri. In questo senso, pone un limite fondamentale alla capacità di apprendimento di processi sconosciuti, " ha detto Zoe Holmes, un post-doc presso il Los Alamos National Laboratory e coautore del documento che descrive il lavoro pubblicato oggi in Lettere di revisione fisica .

"Per fortuna, perché i processi più fisicamente interessanti sono sufficientemente semplici o strutturati in modo da non assomigliare a un processo casuale, i risultati non condannano l'apprendimento automatico quantistico, ma piuttosto sottolineare l'importanza di comprenderne i limiti, " disse Holmes.

Nel classico esperimento mentale di Hayden-Preskill, un'Alice fittizia lancia informazioni come un libro in un buco nero che rimescola il testo. Il suo compagno, Bob, può ancora recuperarlo usando l'entanglement, una caratteristica unica della fisica quantistica. Però, il nuovo lavoro dimostra che i vincoli fondamentali alla capacità di Bob di apprendere i dettagli della fisica di un determinato buco nero significano che ricostruire le informazioni nel libro sarà molto difficile o addirittura impossibile.

"Qualsiasi informazione che attraversa un rimescolatore di informazioni come un buco nero raggiungerà un punto in cui l'algoritmo di apprendimento automatico si blocca su un altopiano sterile e diventa quindi non addestrabile. Ciò significa che l'algoritmo non può apprendere i processi di rimescolamento, ", ha affermato Andrew Sornborger, informatico a Los Alamos e coautore del documento. Sornborger è direttore del Quantum Science Center di Los Alamos e leader degli algoritmi del Centro e della spinta alla simulazione. Il Centro è una collaborazione multi-istituzionale guidata dall'Oak Ridge National Laboratory .

Gli altipiani sterili sono regioni nello spazio matematico degli algoritmi di ottimizzazione in cui la capacità di risolvere il problema diventa esponenzialmente più difficile all'aumentare delle dimensioni del sistema studiato. Questo fenomeno, che limita gravemente la addestrabilità delle reti neurali quantistiche su larga scala, è stato descritto in un recente articolo da un team correlato di Los Alamos.

"Il lavoro recente ha identificato il potenziale per l'apprendimento automatico quantistico di essere uno strumento formidabile nei nostri tentativi di comprendere i sistemi complessi, " ha detto Andrea Albrecht, coautore della ricerca. Albrecht è Direttore del Center for Quantum Mathematics and Physics (QMAP) e Distinguished Professor, Dipartimento di Fisica e Astronomia, all'Università di Davis. "Il nostro lavoro evidenzia considerazioni fondamentali che limitano le capacità di questo strumento".

Nell'esperimento mentale Hayden-Preskill, Alice tenta di distruggere un segreto, codificato in uno stato quantico, gettandolo nello scrambler più veloce della natura, un buco nero. Bob e Alice sono il duo fittizio di dinamica quantistica tipicamente utilizzato dai fisici per rappresentare gli agenti in un esperimento mentale.

"Potresti pensare che questo renderebbe il segreto di Alice abbastanza sicuro, "Holmes ha detto, "ma Hayden e Preskill hanno sostenuto che se Bob conosce le dinamiche unitarie implementate dal buco nero, e condividere uno stato di massima entanglement con il buco nero, è possibile decodificare il segreto di Alice raccogliendo alcuni fotoni aggiuntivi emessi dal buco nero. Ma questo fa sorgere la domanda, come poteva Bob imparare le dinamiche implementate dal buco nero? Bene, non utilizzando l'apprendimento automatico quantistico, secondo le nostre scoperte».

Un pezzo chiave del nuovo teorema sviluppato da Holmes e dai suoi coautori non presuppone alcuna conoscenza preliminare dello scrambler quantistico, una situazione improbabile che si verifichi nella scienza del mondo reale.

"Il nostro lavoro richiama l'attenzione sull'enorme influenza che anche piccole quantità di informazioni precedenti possono svolgere nella nostra capacità di estrarre informazioni da sistemi complessi e potenzialmente ridurre la potenza del nostro teorema, " Ha detto Albrecht. "La nostra capacità di fare questo può variare notevolmente tra le diverse situazioni (mentre esaminiamo dalla considerazione teorica dei buchi neri a situazioni concrete controllate dagli esseri umani qui sulla terra). È probabile che la ricerca futura fornisca esempi interessanti, entrambe le situazioni in cui il nostro teorema rimane pienamente in vigore, e altri dove può essere evitato.