The Signal
Un processore fotonico classifica gli stati quantistici in base al rango stellare
Un processore fotonico programmabile ha classificato 180 stati quantistici a singolo modo come aventi rango stellare zero o uno, utilizzando un metodo a kernel quantistico. L’esperimento ha mostrato una classificazione accurata nonostante l
Quantum.world Team · Scritto con l’IA · verificato ·
Il 29 ottobre alcuni ricercatori hanno pubblicato una dimostrazione di fattibilità: un processore fotonico programmabile ha contribuito a classificare gli stati quantistici in base al rango stellare, una misura della non gaussianità della luce. L’esperimento ha distinto due classi — stati a singolo modo con rango stellare zero e uno — utilizzando l’apprendimento con kernel quantistici. Il risultato costituisce una verifica circoscritta ma pratica della possibilità che un dispositivo quantistico aiuti a identificare una risorsa nei dati quantistici senza ricostruire interamente ogni stato.
180 stati, due classi di rango stellare
Il gruppo ha creato un dataset etichettato di 180 stati. Ciascuno è stato ottenuto applicando un’operazione gaussiana a uno stato di vuoto, al quale è stato assegnato rango stellare zero, oppure a uno stato a singolo fotone, al quale è stato assegnato rango uno. I ricercatori hanno misurato sperimentalmente le fedeltà tra coppie di stati necessarie a costruire il kernel del classificatore. La fedeltà permette di quantificare quanto siano simili due stati quantistici.
Invece di effettuare una tomografia completa degli stati quantistici, il processore ha misurato le fedeltà con una procedura di calcolo e annullamento del calcolo: preparare uno stato, applicare l’operazione inversa associata a un altro, quindi stimare la componente fotonica pertinente in uscita. L’apparato utilizza oscillatori parametrici ottici, un rivelatore di fotoni e misure omodine. Una macchina a vettori di supporto classica utilizza i valori misurati del kernel per apprendere e assegnare le etichette.
Perché il kernel RBF è stato importante
Lo studio confronta un kernel di fedeltà di base con un kernel non lineare a funzione di base radiale (RBF), costruito a partire dalle stesse misure di fedeltà. Nelle simulazioni di dataset a uno, due e tre modi, l’accuratezza del classificatore RBF è migliorata con l’aumentare del set di addestramento. Anche nell’esperimento la sua accuratezza si è avvicinata a uno con l’aumentare del numero di esempi di addestramento, seguendo l’andamento della simulazione degli autori che includeva le imperfezioni sperimentali.
La perdita ottica e il rumore durante le operazioni di gate hanno ridotto il contrasto delle fedeltà misurate rispetto alle previsioni ideali. Gli autori attribuiscono inoltre le differenze maggiori per gli stati di rango uno ai falsi conteggi nella rivelazione dei fotoni. Anche con queste imperfezioni, nell’apparato testato il classificatore RBF ha perso meno accuratezza rispetto ai riferimenti basati sul kernel di fedeltà e su metodi diversi dall’apprendimento automatico.
«Per ora non abbiamo un vantaggio quantistico sperimentale perché lavoriamo con stati quantistici semplici e di piccola scala».
Keitaro Anai et al., gli autori dello studio
Un teorema con condizioni, non una scorciatoia universale
Il risultato sull’efficienza presentato nello studio è subordinato a precise condizioni: richiede un margine che non si riduca troppo rapidamente con la dimensione del sistema, una classe che non collassi sui propri stati rappresentativi e un modello di misura limitato. Sotto queste ipotesi, gli autori ricavano una scalabilità polinomiale per il numero di stati di addestramento e di ripetizioni delle misure. Lo stimatore sperimentale della fedeltà basato su misure omodine non soddisfa il modello di misura del teorema: un singolo risultato può cadere al di fuori dell’intervallo da zero a uno. La garanzia, pertanto, non copre direttamente lo stimatore usato nell’esperimento. Il metodo stima direttamente le somiglianze tra stati, evitando la necessità di ricostruire prima uno stato quantistico completo.
Il processore sperimentale ha classificato stati a un modo con due etichette di rango stellare: zero e uno. Lo studio afferma che l’approccio può essere esteso a ranghi stellari superiori e rimanda i lettori a una discussione supplementare; le sue simulazioni numeriche si concentrano sulla classificazione binaria degli stati di rango zero e uno. Il risultato sostiene una conclusione specifica: i kernel basati sulla fedeltà possono classificare una semplice risorsa quantistica su hardware fotonico nonostante le imperfezioni misurate. Non dimostra un vantaggio quantistico, che secondo quanto dichiarano esplicitamente gli autori manca nell’esperimento.