L’intelligenza artificiale per controllare i computer quantistici
I computer quantistici potrebbero risolvere compiti molto complessi che sono ben oltre le capacità dei supercomputer convenzionali, ma purtroppo gli stati quantistici sono estremamente sensibili alle interferenze che provengono dall’ambiente esterno. Per proteggere i computer quantistici da questo problema sono state escogitate molte strategie complesse per la correzione degli errori.
Florian Marquardt, direttore del ‘Max Planck Institute for the Science of Light’ ed il suo gruppo di lavoro, hanno presentato uno sistema per la correzione degli errori che è in grado di imparare utilizzando tecniche di intelligenza artificiale.
Nel 2016, il software AlphaGo (di Google) è stato in grado di vincere 4 partite su 5 a Go contro il miglior giocatore umano del mondo. Dato che il gioco del Go ha un numero di mosse possibili più grande del numero stimato di atomi dell’intero universo, essere in grado di giocarci richiede molto più che la semplice potenza di calcolo. Infatti, il software AlphaGo usava le reti neurali artificiali che sono in grado di riconoscere pattern visivi e sono anche in grado di imparare. A differenza degli umani, il programma AlphaGo era in grado di giocare centinaia di migliaia di partite in breve tempo, ed alla fine di superare il migliore tra i giocatori umani.
I ricercatori di Erlangen stanno utilizzando reti neurali di questo tipo per sviluppare un sistema di correzioni degli errori per i computer quantistici che sia in grado di imparare da solo la strategia migliore.
Le reti neurali artificiali sono programmi che sono in grado di imitare il comportamento interconnesso dei neuroni del cervello umano (nel caso dei ricercatori del Max Planck Institute, si parla di duemila neuroni artificiali che sono tra loro interconnessi).
“Prendiamo le idee migliori dall’informatica e le applichiamo ai sistemi fisici”, spiega Florian Marquardt. “In questo modo sfruttiamo i rapidi progressi ottenuti negli ultimi anni nel campo dell’intelligenza artificiale”.
Come mostrato nella recente pubblicazione scientifica, che include un contributo significativo dello studente di dottorato Thomas Fösel, un interessante campo applicativo è proprio nell’ambito del quantum computing. Nella pubblicazione scientifica, il team ha dimostrato che le reti neurali artificiali, ispirate dall’architettura di AlphaGo, sono in grado di imparare un compito fondamentale per la il futuro dei computer quantistici: la quantum error correction. Esiste la concreta possibilità, che con un sufficiente training delle reti neurali, questo tipo di approccio potrebbe superare le altre strategie di correzione dell’errore quantistico.
Per comprendere un pò meglio, cerchiamo di capire brevemente come funziona un computer quantistico. L’elemento fondamentale per la computazione quantistica è il qubit (quantum bit). A differenza del bit convenzionale, un qubit può trovarsi non solo solo nello stato zero o uno, ma anche in una sovrapposizione di entrambe le possibilità. In un processo quantistico, inoltre, possono esistere più qubit in stato di sovrapposizione connessi tra loro, al punto da esprimere un particolare comportamento di gruppo, detto entanglement. Questo stato di entanglement spiega l’incredibile potenza di calcolo dei computer quantistici quando vengono utilizzati per risolvere alcuni compiti complessi in cui supercomputer tradizionali sono destinati a fallire. La cattiva notizia è che l’informazione quantistica è fortemente sensibile ai disturbi ambientali. Questa ed altre peculiarità del mondo quantistico rendono necessaria la correzione d’errore per ottenere risultati utili dalla computazione. La operazioni necessarie alla correzione degli errori, non solo sono molto complesse, ma devono anche mantenere inalterata l’informazione quantistica.
“Possiamo immaginare gli elementi di un computer quantistico come elementi della scacchiera del Go”, dice Marquardt parlando dell’idea alla base di questo progetto. I qubit sono distribuiti sulla scacchiera come i pezzi del Go. Ovviamente ci sono differenze sostanziali nella similitudine con il gioco del Go: tutti i pezzi sono già distribuiti sulla scacchiera, e ciascuno di essi è bianco da una parte e nero dall’altra. Un colore corrisponde allo stato zero, l’altro allo stato uno ed una mossa in questo strano gioco del “Go quantistico” corrisponde a girare i pezzi. Secondo le regole del mondo quantistico, i pezzi possono assumere anche un colore grigio (intermedio tra bianco e nero) che, nella nostra analogia, corrisponde allo stato di sovrapposizione e di entanglement.
Quando si gioca, un giocatore (ad esempio Alice) deve fare delle mosse che hanno come scopo quello di preservare uno schema che corrisponde ad un certo stato quantistico. Queste sono proprio quelle che definiamo come operazioni per la correzione degli errori quantistici. Intanto l’altro giocatore fa di tutto per distruggere quello schema. L’altro giocatore rappresenta il disturbo costante, che proviene da un insieme di fonti esterne ambientali, a cui sono sottoposti i qubit reali. Il gioco del “Go quantistico”, inoltre, è reso più complesso da una regola caratteristica del mondo quantistico: ad Alice non è consentito guardare la scacchiera durante la partita. Ogni occhiata le rivelerebbe lo stato quantistico di tutti i qubit distruggendo immediatamente tutta la preziosa informazione in essa contenuta. La domanda è: come può, Alice, riuscire a fare la mossa giusta nonostante tutto questo?
L’immagine mostra l’attività della rete neurale artificiale realizzata dai ricercatori di Erlangen
© Max Planck Institute for the Science of Light
In un computer quantistico questo problema viene risolto posizionando dei qubit ausiliari tra i qubit che contengono l’effettiva informazione quantistica. Misure occasionali possono essere fatte su questi qubit ausiliari per identificare dove si verificano gli errori per poi eseguire le opportune correzioni. Nel nostro gioco del ‘Go quantistico’, i qubit ausiliari dovrebbero essere rappresentati da pezzi aggiuntivi distribuiti tra i veri pezzi del gioco. Ad Alice sarà consentito guardare ogni tanto la scacchiera, ma solo per vedere lo stato di questi pezzi aggiuntivi.
Nel lavoro dei ricercatori di Erlangen, il ruolo di Alice è interpretato dalle reti neurali artificiali. L’idea di base consiste nel fatto che mediante il training, queste reti neurali diventeranno cosí brave a giocare che potranno elaborare strategie di correzione degli errori più efficaci di quelle ideate dalle menti umane. Ad ogni modo, quando i ricercatori hanno studiato un esempio costituito da 5 qubit (un numero di qubit semplice da simulare in modo classico), hanno mostrato che una sola rete neurale artificiale non è sufficiente.
Poiché la rete può raccogliere solo piccole quantità di informazioni sullo stato dei qubit, o del Go quantistico, non va mai oltre lo stadio di prove ed errori casuali. Alla fine, questi tentativi distruggono lo stato quantistico invece di ripristinarlo.
La soluzione a questo problema è l’aggiunta di una rete neurale ausiliaria che funge da insegnante per la prima rete. Con la sua precedente conoscenza del computer quantistico da controllare, questa rete ‘insegnante’ è in grado di addestrare l’altra rete – il suo studente – e quindi di guidare i suoi tentativi verso una efficace correzione quantistica. E’ fondamentale che la stessa rete ‘insegnante’ impari abbastanza sul computer quantistico o sul componente che deve essere controllato.
In linea di principio, le reti neurali artificiali vengono addestrate usando un sistema di ricompensa, proprio come i loro modelli naturali. La ricompensa effettiva viene fornita a fronte del ripristino con successo dello stato quantistico originale, eseguito mediante la correzione dell’errore. “Tuttavia, se solo il raggiungimento di questo obiettivo a lungo termine fornisse la ricompensa, questa sarebbe arrivata troppo tardi a causa dei numerosi tentativi di correzione”, spiega Marquardt. I ricercatori di Erlangen hanno quindi sviluppato un sistema di ricompensa che, anche in fase di addestramento, incentiva la rete neurale insegnante ad adottare una strategia promettente. Nel gioco del Go quantistico, questo sistema di ricompensa fornirebbe ad Alice un’indicazione sullo stato generale del gioco in un dato momento, senza però svelarne i dettagli.
“Il nostro primo obiettivo era che la rete insegnante, imparasse a eseguire con successo operazioni di correzione degli errori quantistici senza ulteriore assistenza umana”, afferma Marquardt. A differenza della rete studente, la rete insegnante può fare ciò basandosi non solo sui risultati delle misurazioni, ma anche sullo stato quantistico complessivo del computer. La rete studente addestrata dalla rete insegnante, all’inizio avrà prestazioni identiche, ma potrà diventare migliore attraverso il proprio operato.
Oltre alla correzione degli errori nei computer quantistici, Florian Marquardt prevede altre applicazioni per l’intelligenza artificiale. Secondo lui, la fisica ha molti settori che potrebbero beneficiare dell’uso del riconoscimento di pattern eseguito con le reti neurali artificiali.
Per ulteriori dettagli: “Reinforcement Learning with Neural Networks for Quantum Feedback”
