Rete neurale quantistica con backpropagation su un processore a qudit

Abstract degli autori

Le reti neurali quantistiche (QNN), uno degli algoritmi fondamentali del machine learning quantistico, sono ampiamente utilizzate per attività di classificazione e identificazione. Tuttavia, le capacità delle QNN sono limitate dalle loro dimensioni, determinate dalla dimensione dello spazio di Hilbert del processore quantistico sottostante. Le cifre quantistiche multilivello (qudit) offrono accesso a uno spazio di Hilbert di dimensioni maggiori rispetto ai qubit a due livelli, consentendo di costruire QNN più espressive. In questo lavoro presentiamo una dimostrazione sperimentale di una QNN basata su qudit, realizzata con uno ione $\rm ^{40}Ca^+$ intrappolato. Addestriamo la QNN mediante un’implementazione ibrida quantistico-classica della backpropagation e raggiungiamo un’accuratezza di classificazione sperimentale del $95.7\%$ su un insieme di immagini di test. Questa dimostrazione mette in evidenza il potenziale dei processori basati su qudit per le architetture QNN e fornisce un quadro di riferimento per l’implementazione di QNN basate su qudit su diversi dispositivi quantistici.