Nell’ultimo decennio si è assistito a un notevole sviluppo delle tecnologie quantistiche, anche per il grande interesse del mondo dell’industria verso i settori della computazione, della comunicazione e della sicurezza informatica.

Un nuovo studio coordinato da Fabio Sciarrino, responsabile del Quantum Lab del Dipartimento di Fisica della Sapienza e la University College London, con il contributo della University of Texas at Austin, ha osservato che è possibile descrivere in maniera efficiente uno stato quantistico attraverso la teoria dell’apprendimento automatico (learning theory), una delle branche più promettenti dell’intelligenza artificiale.

I risultati, pubblicati sulla rivista Science Advances, sono stati presentati anche nell’ambito della Quantum Week (3-6 aprile 2019 alla Sapienza) coordinata dal Quantum Lab della Sapienza, che ha visto la partecipazione di oltre 400 rappresentati da tutto il mondo.

In generale la descrizione di uno stato quantistico necessita di un numero di parametri che cresce esponenzialmente con il numero di particelle che lo compongono: per esempio per rappresentare uno stato di appena 40 particelle sarebbe necessaria una quantità di dati superiore a quella attualmente generata in tutto il pianeta.

In realtà è possibile aggirare la complessità della descrizione di uno stato quantistico con nuove tecniche: in senso probabilistico, un numero di misure che cresce linearmente con il numero di particelle è sufficiente per descriverlo in modo approssimato. Questo concetto, fino a oggi solo teorico, era stato proposto da Scott Aaronson, studioso di informatica teorica della University of Texas at Austin. Il nuovo lavoro, che ha visto la collaborazione dello stesso Aaronson, ha verificato per la prima volta sperimentalmente tale principio su piattaforma fotonica.

 “I nostri risultati – afferma Andrea Rocchetto dell’University College London, primo autore dell’articolo – dimostrano l’efficacia della “learning theory” applicata all’informazione quantistica fornendo la prova sperimentale che gli stati quantistici possono essere approssimativamente descritti con un numero di misure che scala linearmente con il numero di qubits (l’unità di informazione quantistica)”.

“Tale risultato – spiega Fabio Sciarrino – ha implicazioni profonde sulla nostra capacità di modellare sistemi quantistici: il machine learning rappresenta una risorsa promettente per lo sviluppo dell’informazione quantistica sperimentale ed è uno strumento prezioso e molto usato per ridurre la complessità dei modelli fisici. Spesso però – continua Sciarrino – non è chiaro fino a che punto ci si possa fidare dei risultati di un algoritmo di learning. Le tecniche che abbiamo implementato invece, oltre a facilitare enormemente l’analisi dei dati, garantiscono l’accuratezza della descrizione del sistema”.

Il passo successivo è di sfruttare questa metodologia nello studio di sistemi a molti-corpi e stati entangled (aggrovigliati a coppie) di sistemi complessi presenti in chimica, in fisica della materia e in informazione quantistica. “Il nostro lavoro – conclude Davide Poderini, dottorando del Dipartimento di Fisica – non solo offre un diverso punto di vista sul problema della complessità degli stati quantistici, ma in prospettiva rappresenta anche uno strumento di grande valore dal punto di vista sperimentale per l’analisi di sistemi quantistici di grandi dimensioni”.

Riferimenti:

Experimental learning of quantum states – Andrea Rocchetto, Scott Aaronson, Simone Severini, Gonzalo Carvacho, Davide Poderini, Iris Agresti, Marco Bentivegna, Fabio Sciarrino - Science Advances 2019, 5, eaau1946. DOI: 10.1126/sciadv.aau1946

Info

Fabio Sciarrino
Dipartimento di Fisica, Sapienza Università di Roma
fabio.sciarrino@uniroma1.it