I ricercatori di Google hanno scoperto una nuova tecnica che potrebbe finalmente rendere pratico il calcolo quantistico nella vita reale, utilizzando l'intelligenza artificiale per risolvere una delle sfide più persistenti della scienza: stati più stabili.

In un documento di ricerca pubblicato su Nature, gli scienziati di Google Deepmind spiegano che il loro nuovo sistema di IA, AlphaQubit, ha dimostrato un sorprendente successo nella correzione degli errori persistenti che da tempo affliggono i computer quantistici.

"I computer quantistici hanno il potenziale di rivoluzionare la scoperta di farmaci, la progettazione di materiali e la fisica fondamentale—cioè, se riusciamo a farli funzionare in modo affidabile," recita l'annuncio di Google. Ma nulla è perfetto: i sistemi quantistici sono straordinariamente fragili. Anche la minima interferenza ambientale—dal calore, vibrazioni, campi elettromagnetici o persino raggi cosmici—può interrompere i loro delicati stati quantistici, portando a errori che rendono i calcoli inaffidabili.

Un documento di ricerca di marzo evidenzia la sfida: i computer quantistici hanno bisogno di un tasso di errore di appena uno su un trilione di operazioni (10^-12) per un uso pratico. Tuttavia, l'hardware attuale ha tassi di errore tra 10^-3 e 10^-2 per operazione, rendendo la correzione degli errori cruciale.

"Alcuni problemi, che richiederebbero a un computer convenzionale miliardi di anni per essere risolti, richiederebbero a un computer quantistico solo ore," afferma Google. "Tuttavia, questi nuovi processori sono più soggetti a rumore rispetto a quelli convenzionali."

"Se vogliamo rendere i computer quantistici più affidabili, specialmente su larga scala, dobbiamo identificare e correggere con precisione questi errori."

Il nuovo sistema di IA di Google, AlphaQubit, vuole affrontare questo problema. Il sistema di IA utilizza un'architettura di rete neurale sofisticata che ha dimostrato un'accuratezza senza precedenti nell'identificare e correggere gli errori quantistici, mostrando il 6% in meno di errori rispetto ai migliori metodi precedenti in esperimenti su larga scala e il 30% in meno di errori rispetto alle tecniche tradizionali.

Ha anche mantenuto un'alta precisione su sistemi quantistici che vanno da 17 qubit a 241 qubit—il che suggerisce che l'approccio potrebbe scalare ai sistemi più grandi necessari per il calcolo quantistico pratico.

Sotto il cofano

AlphaQubit adotta un approccio a due fasi per raggiungere la sua alta precisione.

Il sistema prima si allena su dati di rumore quantistico simulati, apprendendo schemi generali di errori quantistici, poi si adatta all'hardware quantistico reale utilizzando una quantità limitata di dati sperimentali.

Questo approccio consente ad AlphaQubit di gestire complessi effetti di rumore quantistico del mondo reale, inclusi i disturbi tra qubit, perdite (quando i qubit escono dai loro stati computazionali) e sottili correlazioni tra diversi tipi di errori.

Ma non ti entusiasmare troppo; non avrai un computer quantistico nel tuo garage a breve.

Nonostante la sua precisione, AlphaQubit deve affrontare ancora ostacoli significativi prima dell'implementazione pratica. "Ogni controllo di coerenza in un veloce processore quantistico superconduttore viene misurato un milione di volte ogni secondo," notano i ricercatori. "Mentre AlphaQubit è eccellente nell'identificare con precisione gli errori, è ancora troppo lento per correggere gli errori in un processore superconduttore in tempo reale."

"L'addestramento a distanze di codice maggiori è più impegnativo perché gli esempi sono più complessi e l'efficienza del campione appare inferiore a distanze maggiori," ha dichiarato un portavoce di Deepmind a Decrypt, "È importante perché il tasso di errore scala esponenzialmente con la distanza di codice, quindi ci aspettiamo di dover risolvere distanze maggiori per ottenere i tassi di errore ultra-bassi necessari per il calcolo a tolleranza agli errori su circuiti quantistici grandi e profondi.

I ricercatori si stanno concentrando sull'ottimizzazione della velocità, scalabilità e integrazione come aree critiche per lo sviluppo futuro.

L'IA e il calcolo quantistico formano una relazione sinergica, migliorando il potenziale dell'altro. "Ci aspettiamo che l'IA/ML e il calcolo quantistico rimangano approcci complementari al calcolo. L'IA può essere applicata in altre aree per supportare lo sviluppo di computer quantistici a tolleranza agli errori, come la calibrazione e la compilazione o la progettazione di algoritmi," ha dichiarato il portavoce a Decrypt, "allo stesso tempo, le persone stanno esplorando applicazioni di ML quantistico per dati quantistici e, in modo più speculativo, per algoritmi di ML quantistico su dati classici.

Questa convergenza potrebbe rappresentare un punto di svolta cruciale nella scienza computazionale. Man mano che i computer quantistici diventano più affidabili grazie alla correzione degli errori assistita dall'IA, potrebbero, a loro volta, aiutare a sviluppare sistemi di IA più sofisticati, creando un potente feedback loop di avanzamento tecnologico.

L'era del calcolo quantistico pratico, a lungo promessa ma mai realizzata, potrebbe finalmente essere più vicina—anche se non abbastanza da iniziare a preoccuparsi di un'apocalisse cyborg.

Modificato da Sebastian Sinclair