Apprendimento estremo quantistico per la previsione di circuiti elettronici caotici sperimentali

Abstract degli autori

La computazione quantistica a serbatoio e il suo caso particolare, l’apprendimento estremo quantistico, sono strumenti potenti per prevedere serie temporali classiche discrete mediante dispositivi quantistici. Prevedere segnali continui richiede però un’attenta discretizzazione: il sovracampionamento aumenta artificialmente la precisione a breve termine, ma fallisce su intervalli realistici, mentre il sottocampionamento coglie troppo poche caratteristiche e produce previsioni scadenti. In questo lavoro generiamo sperimentalmente, a partire da un circuito elettronico caotico, quattro segnali continui in serie temporale da usare per la previsione con l’apprendimento estremo quantistico. Poiché i modelli semplificati dei circuiti non riproducono pienamente il comportamento reale, non è chiaro se gli algoritmi che prevedono serie temporali simulate funzionino anche con segnali sperimentali. Affrontiamo la discretizzazione con due approcci: (i) campionando i massimi e i minimi locali; e (ii) con un campionamento uniforme alla scala temporale dell’autocorrelazione. Il primo coglie il comportamento risonante, mentre il secondo coglie pienamente le caratteristiche caotiche e consente anche di ricostruire gli attrattori caotici. Il nostro algoritmo raggiunge un’elevata precisione nelle previsioni sia per i segnali simulati sia per quelli sperimentali, dimostrando la sua efficacia nell’elaborazione di segnali continui con simulatori quantistici del prossimo futuro, e rimane robusto in presenza di decoerenza moderata.