Le reti neurali quantistiche potrebbero essere in grado di ingannare il principio di indeterminazione

Il principio di indeterminazione di Heisenberg impone un limite alla precisione con cui possiamo misurare determinate proprietà degli oggetti quantistici. Ma i ricercatori hanno trovato un modo per aggirare questa limitazione utilizzando una versione quantistica delle reti neurali.

Ad esempio, data una molecola chimicamente utile, come si può prevedere quali proprietà potrebbe avere tra un’ora o domani? Per fare tali previsioni, i ricercatori iniziano misurando le sue proprietà attuali. Ma per gli oggetti quantistici, comprese alcune molecole, questo può essere inaspettatamente difficile perché ogni misurazione può interferire o modificare il risultato della misurazione successiva. Nello specifico, il principio di indeterminazione di Heisenberg afferma che alcune proprietà quantistiche degli oggetti non possono essere misurate simultaneamente con precisione. Ad esempio, se si misura la quantità di moto di una particella quantistica in modo molto preciso, la misurazione della sua posizione produrrà solo un numero approssimativo.

Ora, Duanlu Zhou L’Accademia cinese delle scienze e i suoi colleghi hanno dimostrato matematicamente che alcune di queste difficoltà possono essere evitate utilizzando versioni quantistiche delle reti neurali.

La squadra di Zhou ha scoperto il problema per ragioni pratiche. Quando i ricercatori utilizzano computer quantistici, hanno bisogno di conoscere le proprietà degli elementi costitutivi del computer, chiamati qubit, per valutare e confrontare il dispositivo o per utilizzare tali qubit in modo efficace durante la simulazione di un oggetto come una molecola o un materiale. Per determinare le proprietà di un qubit, i ricercatori in genere applicano alcune operazioni, ad esempio il modo in cui applicheresti la “divisione per 2” per determinare se un numero è pari o meno. Ma il principio di indeterminazione significa che alcune di queste operazioni saranno incoerenti – l’equivalente di non essere in grado di moltiplicare un numero per tre, quindi dividerlo per due e ottenere comunque una risposta significativa da questo calcolo.

I calcoli dei ricercatori ora mostrano che il problema dell’incoerenza può essere risolto se si applica un algoritmo di apprendimento automatico quantistico – la rete neurale quantistica (QNN) – al posto di semplici operazioni.

La cosa importante è che alcuni passaggi dell’algoritmo devono essere scelti casualmente da un insieme predeterminato. studi precedenti hanno scoperto che tale casualità potrebbe rendere le QNN più efficaci nel determinare una singola proprietà di un oggetto quantistico, ma Zhou e colleghi hanno ampliato l’idea per misurare più proprietà, comprese combinazioni di proprietà tipicamente vincolate dal principio di indeterminazione. Sono stati in grado di farlo perché i risultati di più operazioni casuali consecutive potevano essere ordinati mediante speciali metodi statistici per produrre risultati più accurati rispetto alla semplice esecuzione ripetuta di una singola operazione.

Roberto Huang Il California Institute of Technology afferma che essere in grado di misurare in modo efficiente molte proprietà incoerenti significa che gli scienziati saranno in grado di conoscere un dato sistema quantistico molto più velocemente, il che è importante per le applicazioni dei computer quantistici in chimica e scienza dei materiali, nonché per comprendere computer quantistici più grandi.

Il nuovo approccio potrebbe potenzialmente essere implementato nella pratica, dice Huang, ma il suo successo dipende da quanto sarà utile rispetto ad approcci simili che sfruttano anch’essi la casualità per effettuare misurazioni quantistiche informative.