Reti neurali quantistiche: Un modo più semplice per apprendere processi quantistici.

Questo articolo è stato revisionato secondo il processo editoriale e le politiche di Science X. Gli editor hanno evidenziato i seguenti attributi garantendo l'affidabilità dei contenuti:

• fatto verificato
• pubblicazione sottoposta a peer review
• fonte affidabile
• corretto

da Ecole Polytechnique Federale de Lausanne

Gli scienziati dell'EPFL mostrano che anche pochi esempi semplici sono sufficienti per un modello di machine learning quantistico, le "reti neurali quantistiche", per imparare e prevedere il comportamento dei sistemi quantistici, avvicinandoci a una nuova era dell'informatica quantistica. 

Immagina un mondo in cui i computer possano svelare i misteri della meccanica quantistica, consentendoci di studiare il comportamento di materiali complessi o di simulare le intricate dinamiche delle molecole con un'accuratezza senza precedenti.

Grazie a uno studio pionieristico condotto dalla professoressa Zoe Holmes e dal suo team presso l'EPFL, siamo ora più vicini a rendere tutto ciò una realtà. Lavorando con ricercatori del Caltech, dell'Università Libera di Berlino e del Los Alamos National Laboratory, hanno trovato un nuovo modo per insegnare a un computer quantistico come comprendere e prevedere il comportamento dei sistemi quantistici. La ricerca è stata pubblicata su Nature Communications.

I ricercatori hanno lavorato sulle "reti neurali quantistiche" (QNN), un tipo di modello di machine learning progettato per apprendere e elaborare informazioni utilizzando principi ispirati alla meccanica quantistica al fine di imitare il comportamento dei sistemi quantistici.

Come le reti neurali utilizzate nell'intelligenza artificiale, le QNN sono composte da nodi interconnessi, o "neuroni", che effettuano calcoli. La differenza è che, nelle QNN, i neuroni operano secondo i principi della meccanica quantistica, consentendo loro di gestire e manipolare informazioni quantistiche.

"Normalmente, quando insegniamo qualcosa a un computer, abbiamo bisogno di molti esempi", dice Holmes. "Ma in questo studio, mostriamo che con pochi semplici esempi chiamati 'stati prodotto', il computer può imparare come si comporta un sistema quantistico anche quando si tratta di stati intrecciati, che sono più complessi e sfidanti da comprendere".

Gli "stati prodotto" utilizzati dagli scienziati si riferiscono a un concetto della meccanica quantistica che descrive il tipo specifico di stato per un sistema quantistico. Ad esempio, se un sistema quantistico è composto da due elettroni, il suo stato prodotto si forma quando lo stato di ogni singolo elettrone viene considerato indipendentemente e poi combinato.

Gli stati prodotto sono spesso utilizzati come punto di partenza nelle computazioni e nelle misurazioni quantistiche perché forniscono un quadro più semplice e gestibile per lo studio e la comprensione del comportamento dei sistemi quantistici, prima di passare a stati più complessi e intrecciati, in cui le particelle sono correlate e non possono essere descritte in modo indipendente.

I ricercatori hanno dimostrato che allenando le QNN utilizzando solo pochi di questi semplici esempi, i computer possono comprendere efficacemente le dinamiche complesse dei sistemi quantistici intrecciati.

Holmes spiega: "Questo significa che potremmo essere in grado di apprendere e comprendere i sistemi quantistici utilizzando computer più piccoli e più semplici, come i computer su scala intermedia a breve termine (NISQ) che avremo nei prossimi anni, invece di aver bisogno di computer grandi e complessi, che potrebbero richiedere decenni".'

Il lavoro apre anche nuove possibilità per utilizzare i computer quantistici per risolvere problemi importanti come lo studio di nuovi materiali complessi o la simulazione del comportamento delle molecole.

Infine, il metodo migliora le prestazioni dei computer quantistici consentendo la creazione di programmi più brevi e meno soggetti a errori. Imparando come si comportano i sistemi quantistici, possiamo semplificare la programmazione dei computer quantistici, migliorandone l'efficienza e l'affidabilità. "Possiamo rendere i computer quantistici ancora migliori rendendo i loro programmi più brevi e meno soggetti a errori", conclude Holmes.