Vai al contenuto
Quantum.world

The Signal

Uno studio sostiene di aver dimostrato un vantaggio nell’apprendimento per i circuiti quantistici a bassa profondità

I ricercatori affermano di aver dimostrato un vantaggio nell’apprendimento di distribuzioni per i circuiti quantistici a profondità costante rispetto a una classe limitata di circuiti classici. Il risultato teorico utilizza dati altamente strutturati e non dimostra un vantaggio rispetto a circuiti classici più profondi.

Uno studio sostiene di aver dimostrato un vantaggio nell’apprendimento per i circuiti quantistici a bassa profondità

In uno studio pubblicato il 10 novembre da npj Quantum Information, i ricercatori hanno riportato un vantaggio teorico nell’apprendimento per i circuiti quantistici a bassa profondità rispetto a una classe limitata di circuiti classici. Il risultato riguarda un compito in cui un generatore apprende a riprodurre una distribuzione di probabilità sconosciuta a partire da esempi.

Il confronto utilizza circuiti quantistici a profondità costante con gate a uno e due qubit e circuiti classici a profondità costante con fan-in e fan-out limitati. Gli autori definiscono il vantaggio incondizionato.

Che cosa produce il sistema di apprendimento

Il compito è definito nel quadro «probabilmente approssimativamente corretto», o PAC. Un sistema di apprendimento riceve campioni da una distribuzione sconosciuta e deve produrre un generatore la cui distribuzione di output sia vicina a quella obiettivo.

Lo studio confronta i tipi di generatori che il sistema di apprendimento può produrre, anziché sostenere che ogni algoritmo di apprendimento quantistico sia superiore a ogni algoritmo classico. Il risultato centrale è che, per la classe di distribuzioni costruita, si può apprendere un generatore quantistico a bassa profondità con precisione arbitraria, mentre i generatori classici soggetti alle limitazioni presentano un errore non trascurabile.

La vicinanza è valutata mediante la distanza di variazione totale. Lo studio fissa anche una probabilità di fallimento per la procedura di apprendimento, così che al requisito di precisione si affianca un requisito sull’affidabilità con cui il sistema di apprendimento lo soddisfa.

Dal campionamento all’apprendimento

Lo studio si basa su precedenti risultati di campionamento di Bene Watts e Parham. Gli autori introducono un problema di apprendimento di iperpiani in una funzione utilizzata in quel lavoro, trasformando la costruzione per il campionamento in un compito di apprendimento di distribuzioni.

In questa costruzione, il sistema di apprendimento deve ricavare un parametro dagli esempi. Una volta noto il parametro, la procedura può specificare un circuito quantistico a bassa profondità che genera la distribuzione obiettivo.

Gli autori descrivono un algoritmo di apprendimento efficiente e affermano che, nelle condizioni da loro indicate, può identificare il parametro con la probabilità richiesta e produrre il circuito che ha generato la distribuzione obiettivo. La loro dimostrazione confronta l’output di quel circuito con le prestazioni ottenibili dalla classe di circuiti classici soggetta alle limitazioni.

Correlazioni e limiti

Gli autori individuano nelle correlazioni non locali presenti in stati che possono essere preparati da circuiti a profondità costante la fonte del vantaggio.

Il risultato è un confronto matematico, non un esperimento su hardware riportato nello studio. Gli autori sono N. Pirnay, S. Jerbi, J.-P. Seifert e J. Eisert; la rivista ha pubblicato la ricerca accettata e sottoposta a revisione tra pari prima della sua versione definitiva ufficiale.

Gli autori affermano che i dati utilizzati nel problema rimangono altamente strutturati, benché il compito sia formulato come un problema di apprendimento automatico. Indicano inoltre come sviluppi futuri la dimostrazione di vantaggi rispetto a circuiti classici più profondi e il passaggio a dati non strutturati.

Fonti

  1. npj Quantum Information
  2. arXiv

Notizie correlate

Esplora

Altri articoli