Addestrare le interazioni parametriche in una rete neurale quantistica bosonica analogica con misura in base di Fock

Apprendimento intelligente con onde quantistiche

L’intelligenza artificiale moderna si basa su reti neurali fatte di transistor e codice digitale. Questo studio esplora come un tipo di hardware molto diverso, costruito da minuscoli campi elettromagnetici vibranti che obbediscono alle regole della fisica quantistica, possa essere addestrato a riconoscere pattern nei dati. Il lavoro mostra come progettare e addestrare in modo pratico una tale rete neurale quantistica, così da poter eventualmente aiutare a elaborare informazioni direttamente all’interno di macchine quantistiche future.

Un nuovo tipo di cervello quantistico

Gli autori si concentrano su sistemi fatti di eccitazioni simili alla luce, chiamate bosoni, immagazzinate in risonatori microonde o ottici. Questi risonatori possono scambiarsi energia e creare coppie di particelle quando vengono guidati da segnali esterni. Di per sé, queste interazioni sono descritte da equazioni lineari, solitamente troppo semplici per compiere compiti di apprendimento potenti. L’astuzia chiave qui è mantenere l’evoluzione fisica lineare ma leggere il sistema usando il conteggio dei fotoni, che produce naturalmente risposte non lineari. Scegliendo con cura come guidare e accoppiare i risonatori, il dispositivo quantistico si comporta come una rete neurale analogica che mappa i dati di ingresso in caratteristiche utili in uscita.

Lasciare a un computer classico la parte difficile

L’addestramento delle reti neurali ordinarie si basa sul backpropagation, un metodo che aggiusta efficacemente i parametri seguendo i gradienti della funzione di perdita. Applicare direttamente questa idea a un grande sistema quantistico è di solito impossibile, perché simulare la sua dinamica completa diventa rapidamente intrattabile. L’innovazione di questo lavoro è sfruttare la struttura speciale degli stati detti gaussiani, dove l’evoluzione dei valori medi e delle fluttuazioni può essere descritta in modo compatto. L’hardware quantistico eseguirebbe il passo in avanti, evolvendo i campi fisici, mentre un modello classico della stessa dinamica gaussiana, facile da simulare, viene usato per calcolare i gradienti. Questa strategia ibrida permette l’addestramento end-to-end delle intensità di guida fisiche e degli accoppiamenti senza dover estrarre informazioni sui gradienti dal dispositivo quantistico stesso.

Addestrare il dispositivo a riconoscere pattern

Per testare il loro approccio, i ricercatori simulano diversi compiti di apprendimento di difficoltà crescente. Per prima cosa richiedono a una piccola rete di due risonatori di distinguere tra segnali a dente di sega e a onda sinusoidale presentati come brevi serie temporali. Misurando solo la probabilità che un risonatore contenga zero fotoni dopo ogni ingresso, e usando un addestramento basato sui gradienti sui parametri fisici, il modello raggiunge una classificazione perfetta. Rispetto a una versione “reservoir” non addestrata dello stesso hardware, che usa molte letture d’uscita, la rete addestrata necessita di molte meno quantità misurate e di molti meno campioni sperimentali per raggiungere la stessa accuratezza.

Trovare il modo migliore di inserire i dati

Il team poi studia un classico problema difficile in cui punti devono essere assegnati a una delle due spirali intrecciate nel piano. Questo compito richiede forte non linearità. Usando quattro risonatori accoppiati, confrontano diversi modi di codificare le due coordinate di ingresso nei comandi fisici, come l’ampiezza o la fase delle toni di guida e di diversi processi di accoppiamento. Riscontrano che incorporare i dati nell’intensità o nella fase di un’interazione speciale che crea coppie di fotoni ha un effetto particolarmente marcato, permettendo una classificazione perfetta leggendo una sola probabilità di fotoni. Altre scelte di codifica richiedono molte più uscite misurate, o non raggiungono mai la completa accuratezza. Questo mostra che il modo in cui i dati vengono scritti nel dispositivo quantistico modella fortemente la sua non linearità effettiva.

Dalle cifre scritte a mano ai dispositivi futuri

Infine, gli autori affrontano un piccolo compito di riconoscimento di immagini che coinvolge cifre scritte a mano rappresentate come griglie di 8 × 8 pixel. Con sei risonatori e multipli processi di creazione di coppie, alimentano i pixel su più fette temporali, una strategia simile a presentare ripetutamente lo stesso circuito quantistico con nuovi dati. Dopo aver addestrato qualche centinaio di parametri fisici e classici, il modello classifica cifre mai viste con oltre il 97 percento di accuratezza misurando solo un insieme modesto di risultati di conteggio dei fotoni. Al contrario, quando lo stesso hardware è usato come reservoir non addestrato, le prestazioni si saturano molto più in basso anche con più misurazioni, sottolineando il vantaggio di ottimizzare le interazioni fisiche.

Perché questo è importante per la tecnologia quantistica

Lo studio dimostra che reti costruite da modi bosonici che evolvono linearmente, combinate con conteggio non lineare dei fotoni, possono essere sia espressive sia addestrabili usando strumenti di gradiente familiari. Anche se il lavoro presente si basa sulla simulazione classica per guidare l’addestramento e quindi è limitato nelle dimensioni, gli ingredienti di base si adattano bene alle piattaforme superconduttrici e fotoniche esistenti che già supportano accoppiamenti parametrici regolabili. Questo apre una via realistica verso hardware quantistico che non solo elabora informazioni in modo quantistico ma può anche essere addestrato come le reti neurali odierne, potenzialmente servendo da interfaccia intelligente per futuri sensori e processori quantistici.

Citazione: Dudas, J., Carles, B., Gouzien, E. et al. Training the parametric interactions in an analog bosonic quantum neural network with Fock basis measurement. Sci Rep 16, 14997 (2026). https://doi.org/10.1038/s41598-026-45038-7

Parole chiave: reti neurali quantistiche, modi bosonici, dinamiche gaussiane, conteggio dei fotoni, apprendimento automatico quantistico