QKAN: reti di Kolmogorov‑Arnold quantistiche con applicazioni nell’apprendimento automatico e nella preparazione di stati multivariati

Cervelli quantistici per pattern complessi

Molti dei problemi più difficili di oggi — dalla comprensione di materiali esotici all’analisi di dati ad alta dimensionalità — implicano pattern difficili da catturare con computer e reti neurali ordinarie. Questo articolo introduce un nuovo tipo di “cervello quantistico”, chiamato Quantum Kolmogorov‑Arnold Network (QKAN), pensato per funzionare su futuri computer quantistici fault‑tolerant. QKAN mira a processare grandi insiemi di dati quantistici e persino a costruire stati quantistici complessi in modo più efficiente rispetto ai metodi classici, aprendo potenzialmente nuove strade per l’apprendimento automatico quantistico e la simulazione quantistica.

Dall’idea matematica classica all’architettura quantistica

Il lavoro si basa su un’intuizione matematica nota come rappresentazione di Kolmogorov‑Arnold: in linea di principio, qualsiasi funzione liscia di molte variabili può essere assemblata da semplici pezzi univariati e somme. Le recenti “Kolmogorov‑Arnold Networks” (KAN) adattano questa idea a un progetto di rete neurale classica che connette molte funzioni di attivazione unidimensionali invece di fare principalmente affidamento su moltiplicazioni matriciali. Le KAN hanno mostrato potenziale in problemi scientifici dove le formule sottostanti sono strutturate e interpretabili. Gli autori prendono questo modello concettuale e si chiedono: è possibile costruire una versione puramente quantistica che viva nativamente nel linguaggio dei circuiti quantistici?

Trasformare matrici quantistiche in neuroni

In QKAN, i portatori di informazione di base non sono numeri ordinari ma gli autovalori di matrici quantistiche speciali. Queste matrici vengono immagazzinate all’interno di operazioni unitari più grandi tramite un trucco standard chiamato block‑encoding. Una tecnica potente nota come trasformazione quantistica dei valori singolari permette al circuito di applicare polinomi su misura a quegli autovalori, svolgendo di fatto il ruolo di funzioni di attivazione in una rete neurale. Disponendo queste operazioni in uno o pochi “strati”, QKAN può agire contemporaneamente su uno spazio esponenzialmente grande di input — qualcosa che le reti classiche non possono fare con risorse comparabili quando gli input sono essi stessi quantistici.

Una rete quantistica ampia ma poco profonda

Gli autori mostrano che QKAN realizza in modo naturale un’architettura “larga e poco profonda”. Se un dispositivo quantistico può block‑encodare in modo efficiente un input di dimensione N — per esempio, uno stato quantistico preparato da un altro algoritmo o un Hamiltoniano che descrive un sistema fisico — allora uno strato QKAN può implementare trasformazioni estremamente ampie usando solo overhead poli‑logaritmico in N. Impilare molti di questi strati è oneroso, perché la profondità del circuito cresce approssimativamente in modo esponenziale con il numero di strati e piccoli errori si accumulano. Di conseguenza, QKAN è più adatto a pochi strati, scambiando profondità per un’estrema parallelizzazione in larghezza. L’articolo analizza come parametrizzare queste reti con circuiti quantistici, come addestrarle usando strategie basate sul gradiente e come leggere efficientemente uscite a bassa dimensionalità.

Preparazione di stati quantistici come caso d’uso

Oltre ai compiti di apprendimento, la stessa costruzione funge da strumento per preparare stati quantistici intricati. Gli autori si concentrano su una famiglia di esempi importanti: distribuzioni gaussiane multivariate definite su una griglia regolare di punti. Progettano un QKAN a due strati che prima calcola la distanza al quadrato di ogni punto della griglia dall’origine usando semplici trasformazioni polinomiali, e poi applica un’approssimazione polinomiale accurata per imitare il decadimento esponenziale di una gaussiana. Quando questa trasformazione block‑encodificata viene applicata a una sovrapposizione uniforme e amplificata, il risultato è uno stato quantistico le cui ampiezze seguono da vicino un profilo gaussiano ad alta dimensione. L’analisi fornisce limiti espliciti sul numero di porte quantistiche e sui qubit addizionali richiesti.

Opportunità e limiti per l’apprendimento quantistico

Per un non specialista, la conclusione principale è che QKAN offre un nuovo linguaggio strutturato per gli algoritmi quantistici che fonde idee provenienti da reti neurali interpretabili con strumenti avanzati di algebra lineare quantistica. Può, in principio, calcolare funzioni complicate di dati quantistici e assemblare paesaggi di probabilità multivariate con meno passi rispetto ai metodi classici conosciuti, a condizione che siano disponibili buone approssimazioni polinomiali ed esistano block‑encoding efficienti. Allo stesso tempo, QKAN non è una soluzione universale plug‑in: la sua profondità deve rimanere ridotta, le prestazioni dipendono da buone basi polinomiali e eredita questioni aperte dalle KAN classiche su quando questo tipo di architettura sia davvero superiore. Tuttavia, QKAN amplia la cassetta degli attrezzi per l’apprendimento automatico quantistico e la preparazione di stati, indicando modelli quantistici che sono sia potenti sia strutturalmente trasparenti.

Citazione: Ivashkov, P., Huang, PW., Koor, K. et al. QKAN: quantum Kolmogorov-Arnold networks with applications in machine learning and multivariate state preparation. npj Quantum Inf 12, 73 (2026). https://doi.org/10.1038/s41534-026-01202-5

Parole chiave: apprendimento automatico quantistico, reti di Kolmogorov‑Arnold, reti neurali quantistiche, preparazione di stati quantistici, trasformazione dei valori singolari quantistica