Una classificazione ispirata al quantum per stati misti casuali

Perché contano i pattern quantistici nascosti

Tecnologie quantistiche come comunicazioni ultra‑sicure e nuovi computer potenti si basano su una strana forma di collegamento tra particelle chiamata correlazioni, in particolare l’entanglement. In laboratorio, però, i sistemi quantistici reali sono disordinati e rumorosi, il che rende difficile stabilire quale tipo di correlazioni sia effettivamente presente. Questo articolo introduce un nuovo modo per ordinare automaticamente stati quantistici rumorosi in tre grandi famiglie — non correlati, correlati classicamente e veramente entangled — usando idee tratte dal modo in cui un dispositivo quantistico cercherebbe di distinguere gli stati. Il metodo viene eseguito su un normale computer ma è guidato dalla fisica quantistica fin dalle basi.

Classificare stati quantistici come la posta elettronica

Gli ingegneri usano sempre più l’apprendimento automatico per riconoscere pattern nei dati quantistici, un po’ come i filtri antispam ordinano le email. Alcuni approcci sono eseguiti direttamente su hardware quantistico, mentre altri impiegano algoritmi classici che prendono semplicemente ispirazione dalla teoria quantistica. Un criterio chiave per questi metodi è se sono in grado di classificare correttamente diversi schemi di correlazione in piccoli sistemi di bit quantistici (qubit). Per due e tre qubit, gli stati possono essere completamente indipendenti, solo mescolati in modo classico o genuinamente entangled in modi che alimentano le tecnologie quantistiche. Distinguere questi casi è semplice per stati idealizzati e perfettamente preparati; diventa molto più impegnativo quando entrano in gioco imperfezioni e rumore, producendo i cosiddetti stati misti che fondono assieme molte possibilità.

Un classificatore ispirato alle misure quantistiche

Gli autori si basano su un quadro chiamato Pretty‑Good‑Measurement (PGM) classifier, già testato su stati puri ideali. Nella teoria quantistica, una misura può essere progettata per distinguere nel modo più affidabile possibile diversi stati possibili, date esempi di ciascuna opzione. Il PGM è una ricetta specifica per una misura quasi ottima di questo tipo. I ricercatori traducono questa idea in una regola di classificazione per dati numerici: prima convertono ogni stato quantistico del set di addestramento in una rappresentazione matriciale, quindi calcolano una matrice “prototipo” media per ciascuna classe. A partire da questi prototipi e dalle loro frequenze, costruiscono matematicamente un insieme di operatori simili a misure che, applicati a un nuovo stato, producono punteggi che indicano quanto è probabile che appartenga a ciascuna classe. Diversamente dalle reti neurali, questa procedura non richiede addestramento iterativo; una volta note le medie di classe, la regola decisionale è fissata matematicamente.

Generare dataset quantistici equi e realistici

Per testare il metodo in modo equo, gli autori devono generare stati misti casuali che coprano davvero tutto il panorama delle possibili correlazioni, senza bias nascosti. Modi ingenui di campionare matrici tendono a produrre stati quasi puri o quasi completamente casuali, perdendo gran parte dell’interessante zona intermedia. Invece, il gruppo utilizza costruzioni basate sulla simmetria della teoria quantistica: partono da stati puri scelti uniformemente in un sistema più grande e matematicamente «tracciano fuori» un ambiente non osservato, lasciando indietro stati misti per i qubit d’interesse. Scegliendo con cura la dimensione di questo ambiente, possono controllare quanto rumorosi sono gli stati risultanti e quanto spesso compare l’entanglement. Definiscono regole operative chiare per etichettare ogni stato — usando test standard per decidere se uno stato è separabile, parzialmente correlato o certamente entangled — e costruiscono dataset bilanciati sia per sistemi a due qubit sia a tre qubit.

Quanto è efficace l’approccio ispirato al quantum?

Con questi dataset a disposizione, il classificatore PGM viene messo a confronto con una serie di metodi classici ben noti, tra cui alberi decisionali, foreste casuali, macchine a vettori di supporto e reti neurali. Per sistemi a due qubit, il PGM raggiunge accuratezze bilanciate superiori al 90 percento, vicine ai migliori modelli basati su kernel e alle reti neurali. Per problemi a tre qubit, dove la struttura delle correlazioni diventa più ricca e sottile, il PGM mantiene o addirittura migliora la sua performance relativa, eguagliando nuovamente le tecniche classiche di punta. Quando gli autori raffinano il compito per distinguere diverse sfumature di stati separabili a tre qubit, il problema diventa più difficile per tutti i metodi. Anche in quel caso, il PGM resta competitivo: cattura i pattern principali ma, come altri classificatori, a volte confonde classi strettamente correlate i cui segnali statistici si sovrappongono naturalmente.

Cosa significa per gli strumenti quantistici futuri

Per un non specialista, il messaggio centrale è che esiste un modo fondato per lasciare che le regole della fisica quantistica guidino come addestriamo macchine a riconoscere risorse quantistiche — senza richiedere l’accesso a un computer quantistico reale. Il classificatore Pretty‑Good‑Measurement offre una ricetta trasparente e fisicamente motivata per ordinare stati quantistici rumorosi in base al tipo di correlazioni che contengono. Ha prestazioni paragonabili a modelli sofisticati a scatola nera offrendo al contempo collegamenti più chiari con quantità misurabili e possibili vie per implementazioni hardware. Con l’aumento di dimensione e complessità dei dispositivi quantistici, strumenti classici ispirati al quantum come questo potrebbero diventare pezzi fondamentali per il benchmarking, la diagnosi e, in ultima analisi, lo sfruttamento dell’entanglement in contesti realistici e imperfetti.

Citazione: Sergioli, G., Cuccu, C., Rieger, C.S. et al. A quantum-inspired classification for random mixed states. Sci Rep 16, 10668 (2026). https://doi.org/10.1038/s41598-026-44068-5

Parole chiave: entanglement quantistico, apprendimento automatico quantistico, stati quantistici misti, classificazione di stati quantistici, misura quasi ottima