Credito:CC0 di pubblico dominio
C'è stato molto entusiasmo sui computer quantistici e per una buona ragione. I computer futuristici sono progettati per imitare ciò che accade in natura su scala microscopica, il che significa che hanno il potere di comprendere meglio il regno quantistico e accelerare la scoperta di nuovi materiali, inclusi prodotti farmaceutici, sostanze chimiche ecocompatibili e altro ancora. Tuttavia, gli esperti affermano che i computer quantistici praticabili sono ancora lontani un decennio o più. Cosa devono fare i ricercatori nel frattempo?
Un nuovo studio condotto dal Caltech sulla rivista Scienza descrive come gli strumenti di apprendimento automatico, eseguiti su computer classici, possono essere utilizzati per fare previsioni sui sistemi quantistici e quindi aiutare i ricercatori a risolvere alcuni dei più complicati problemi di fisica e chimica. Sebbene questa nozione sia stata mostrata sperimentalmente in precedenza, il nuovo rapporto è il primo a dimostrare matematicamente che il metodo funziona.
"I computer quantistici sono ideali per molti tipi di problemi di fisica e scienza dei materiali", afferma l'autore principale Hsin-Yuan (Robert) Huang, uno studente laureato che lavora con John Preskill, il professore di fisica teorica Richard P. Feynman e l'Allen V. C. Davis e Lenabelle Davis Leadership Chair dell'Institute for Quantum Science and Technology (IQIM). "Ma non ci siamo ancora del tutto e siamo rimasti sorpresi nell'apprendere che nel frattempo è possibile utilizzare i metodi di apprendimento automatico classici. In definitiva, questo articolo mostra ciò che gli esseri umani possono imparare sul mondo fisico".
A livelli microscopici, il mondo fisico diventa un luogo incredibilmente complesso governato dalle leggi della fisica quantistica. In questo regno, le particelle possono esistere in una sovrapposizione di stati o in due stati contemporaneamente. E una sovrapposizione di stati può portare all'entanglement, un fenomeno in cui le particelle sono collegate, o correlate, senza nemmeno essere in contatto tra loro. Questi strani stati e connessioni, che sono diffusi all'interno dei materiali naturali e artificiali, sono molto difficili da descrivere matematicamente.
"Prevedere lo stato di bassa energia di un materiale è molto difficile", afferma Huang. "Ci sono un numero enorme di atomi, e sono sovrapposti e aggrovigliati. Non puoi scrivere un'equazione per descriverli tutti."
Il nuovo studio è la prima dimostrazione matematica che l'apprendimento automatico classico può essere utilizzato per colmare il divario tra noi e il mondo quantistico. L'apprendimento automatico è un tipo di applicazione per computer che imita il cervello umano per imparare dai dati.
"Siamo esseri classici che vivono in un mondo quantistico", afferma Preskill. "I nostri cervelli e i nostri computer sono classici e questo limita la nostra capacità di interagire e comprendere la realtà quantistica."
Mentre studi precedenti hanno dimostrato che le applicazioni di apprendimento automatico hanno la capacità di risolvere alcuni problemi quantistici, questi metodi funzionano in genere in modi che rendono difficile per i ricercatori imparare come le macchine sono arrivate alle loro soluzioni.
"Normalmente, quando si tratta di apprendimento automatico, non si sa come la macchina abbia risolto il problema. È una scatola nera", afferma Huang. "Ma ora abbiamo essenzialmente capito cosa sta succedendo nella scatola attraverso le nostre simulazioni numeriche". Huang e i suoi colleghi hanno eseguito ampie simulazioni numeriche in collaborazione con il Centro AWS per il Quantum Computing del Caltech, che hanno confermato i loro risultati teorici.
Il nuovo studio aiuterà gli scienziati a comprendere e classificare meglio le fasi complesse ed esotiche della materia quantistica.
"La preoccupazione era che le persone che creano nuovi stati quantistici in laboratorio potrebbero non essere in grado di capirli", spiega Preskill. "Ma ora possiamo ottenere dati classici ragionevoli per spiegare cosa sta succedendo. Le macchine classiche non solo ci danno una risposta come un oracolo, ma ci guidano verso una comprensione più profonda."
Il coautore Victor V. Albert, fisico del NIST (National Institute of Standards and Technology) ed ex borsista post-dottorato del Premio DuBridge al Caltech, è d'accordo. "La parte che mi eccita di più di questo lavoro è che ora siamo più vicini a uno strumento che ti aiuti a comprendere la fase sottostante di uno stato quantistico senza che tu debba sapere molto di quello stato in anticipo."
In definitiva, ovviamente, i futuri strumenti di apprendimento automatico basati sui quantistici supereranno le prestazioni dei metodi classici, affermano gli scienziati. In uno studio correlato apparso il 10 giugno 2022 su Scienza , Huang, Preskill e i loro collaboratori riferiscono di aver utilizzato il processore Sycamore di Google, un computer quantistico rudimentale, per dimostrare che l'apprendimento automatico quantistico è superiore agli approcci classici.
"Siamo ancora all'inizio di questo campo", afferma Huang. "Ma sappiamo che l'apprendimento automatico quantistico alla fine sarà il più efficiente".
La Scienza lo studio è intitolato "Apprendimento automatico dimostrabile efficiente per problemi quantistici a molti corpi". + Esplora ulteriormente
