Sfruttare i diagnostici del caos quantistico in QAOA per migliorare la classificazione nel deep learning ibrido quantistico‑classico

Perché il caos può aiutare i computer a vedere

I moderni computer ricevono aiuto dalla fisica quantistica per riconoscere modelli in dati come le cifre scritte a mano. Tuttavia i circuiti quantistici possono comportarsi in modo sorprendentemente irregolare: piccole variazioni nei loro parametri possono causare grandi cambiamenti nell’output. Questo studio pone una domanda semplice: invece di contrastare quel comportamento selvaggio, “caotico”, è possibile misurarlo e trasformarlo in un segnale utile che aiuti un sistema ibrido quantistico–classico a classificare le immagini con maggiore accuratezza?

Una nuova versione di un algoritmo quantistico popolare

I ricercatori si basano sul Quantum Approximate Optimization Algorithm, o QAOA, originariamente pensato per risolvere difficili problemi di ottimizzazione. Qui QAOA viene riadattato come una sorta di lente quantistica che converte dati ordinari in un pattern quantistico più ricco prima che una rete neurale classica effettui la previsione finale. Poiché gli strati QAOA mescolano e intangliano i qubit in modo strutturato ma complesso, il circuito risultante può comportarsi in modo simile a un sistema dinamico caotico, dove piccole modifiche agli angoli di controllo influenzano fortemente lo stato finale. Invece di considerare questo un fastidio, gli autori lo studiano in profondità e cercano di catturarlo in una singola caratteristica numerica da fornire a un algoritmo di apprendimento.

Ascoltare il caos in un circuito quantistico

Per “ascoltare” il comportamento caotico, il team usa uno strumento della fisica quantistica chiamato correlatore fuori ordine temporale (out-of-time-ordered correlator). In termini semplici, esso traccia come una piccola perturbazione locale in una parte del circuito si propaga e mescola l’informazione attraverso il sistema. Gli autori variano l’intensità complessiva degli angoli QAOA lungo una linea unidimensionale e registrano come questa misura di scrambling oscilli. Le posizioni dei minimi in questa curva fungono da punti di riferimento della sensibilità: dove i minimi sono vicini tra loro, il circuito è altamente reattivo a piccole variazioni. Studiando la distanza tra molti di questi minimi attraverso profondità e scelte di parametri, trovano un pattern statistico caratteristico che segue una forma lognormale, segno distintivo di processi di crescita moltiplicativi di tipo caotico.

Trasformare un segnale di caos in una caratteristica di apprendimento

Sulla base di questa analisi, gli autori progettano due modelli ibridi per classificare un piccolo e bilanciato insieme di immagini di cifre MNIST. Nel progetto standard, le immagini sono compresse in pochi numeri, passate attraverso un circuito QAOA poco profondo su 4, 6, 8 o 10 qubit, e la misura media di ciascun qubit diventa input per una rete neurale classica. Nel design consapevole del caos, aggiungono un ingrediente in più: dalla curva di scrambling del circuito addestrato calcolano la distanza tipica tra i suoi minimi di sensibilità e poi convertono tale distanza in un “punteggio di caos” standardizzato usando il loro modello lognormale pre‑adattato. Questo punteggio, un singolo numero che riassume quanto delicatamente tarato sia il circuito, viene apposto alle consuete caratteristiche quantistiche prima della classificazione.

Alla ricerca di una zona “Goldilocks” quantistica

I due modelli sono confrontati con cura usando ripetute esecuzioni di addestramento abbinate in modo che l’unica differenza sia la presenza o l’assenza del punteggio di caos. Per circuiti più piccoli con 4, 6 o 8 qubit, la versione consapevole del caos offre costantemente una maggiore accuratezza sui test, migliorando le prestazioni di circa 1,6–1,8 punti percentuali e vincendo nella stragrande maggioranza delle prove accoppiate. I migliori risultati si osservano per i circuiti a 8 qubit, che raggiungono circa il 90% di accuratezza sul set di test con la caratteristica di caos e vincono in ogni confronto. Tuttavia, quando la larghezza del circuito viene portata a 10 qubit, il punteggio di caos aggiunto comincia a nuocere e l’accuratezza cala rispetto al modello standard. Questo schema suggerisce un regime “Goldilocks” in cui il circuito è sufficientemente espressivo da beneficiare del feedback del caos, ma non così sensibile da diventare instabile.

Cosa significa per le future macchine di apprendimento quantistico

Per i non specialisti, il messaggio chiave è che il caos nei circuiti quantistici non è soltanto una minaccia al controllo; può anche diventare una risorsa se misurato e usato con criterio. Distillando un comportamento di scrambling complesso in un unico numero calibrato, gli autori forniscono ai modelli ibridi quantistico–classici una manopola in più che aiuta ad abbinare la ricchezza del circuito alla complessità dei dati. In simulazioni modeste e prive di rumore, questa manopola migliora la classificazione delle immagini senza cambiare l’architettura complessiva. Man mano che i dispositivi quantistici reali crescono ma restano imperfetti, tali diagnostici consapevoli del caos potrebbero diventare strumenti pratici per tarare profondità e dimensioni dei circuiti, progettare strategie di errore più robuste e, in ultima istanza, rendere i sistemi di apprendimento potenziati dal quantistico più affidabili.

Citazione: Villalba-Díez, J., Losada-González, J.C. Exploiting quantum chaos diagnostics in QAOA for enhanced hybrid quantum classical deep learning classification. Sci Rep 16, 15744 (2026). https://doi.org/10.1038/s41598-026-51870-8

Parole chiave: apprendimento automatico quantistico, QAOA, caos quantistico, ibrido quantistico classico, classificazione di immagini