Come trasportare i Qubit grazie all’Intelligenza Artificiale

Recentemente uno studio pubblicato su “Nature Communications Physics” ha dimostrato come, sfruttando l’Intelligenza Artificiale di tipo Deep Learning, sia possibile trasferire un Qubit tra due posizioni in modo che compaia direttamente in quella d’arrivo senza passare nel mezzo. Lo studio è coordinato dall’Istituto di Fotonica e Nanotecnologie del Cnr e la ricerca è stata svolta in collaborazione con il giovane studente Riccardo Porotti e Dario Tamascelli dell’Università di Milano e con Marcello Restelli del Politecnico di Milano.

Cos’è il Deep Learning?

“Abbiamo deciso di mettere alla prova l’Intelligenza Artificiale di tipo Deep Learning, che ha già molto fatto parlare di sé per aver battuto il campione del mondo al gioco di Go e per applicazioni più serie come il riconoscimento del cancro al seno, applicandola al campo dei computer quantistici”, racconta Enrico Prati del Cnr-Ifn e coordinatore dello studio pubblicato su Nature.

La capacità di un pc di distinguere la foto di un gatto da quella di un cane, una moto da un auto o riconoscere un viso in una fotografia: questo è il Deep Learning. La traduzione strettamente letterale di questo termine è apprendimento approfondito e non è altro che una sottocategoria del Machine Learning con lo scopo di creare modelli di apprendimento su più livelli.

Il concetto è semplice, l’azione del Deep Learning si basa non su dati forniti dall’uomo, ma su dati appresi grazie all’utilizzo di algoritmi di calcolo statistico. L’apprendimento così realizzato ha la forma di una piramide dove i concetti più alti sono appresi a partire dai livelli più bassi. Una macchina che sfrutta il Deep Learning è così in grado di classificare i dati in entrata (input) e quelli in uscita (output), evidenziando quelli importanti ai fini della risoluzione del problema e scartando quelli che non servono.

Deep Learning e Qubit

Secondo la definizione dell’Osservatorio Artificial Intelligence del Politecnico di Milano, per Deep Learning si intende un insieme di tecniche basate su reti neurali artificiali organizzate in diversi strati, dove ogni strato calcola i valori per quello successivo affinché l’informazione venga elaborata in maniera sempre più completa.

“Utilizzando questo metodo nella variante detta ‘per rinforzo’”, aggiunge Prati, “abbiamo assegnato all’Intelligenza Artificiale il compito di scoprire da sola come controllare l’unità fondamentale di informazione quantistica, conosciuta come bit quantistico o Qubit, codificata mediante un singolo elettrone per trasferirlo tra due posizioni, facendo in modo che l’elettrone scompaia da quella di partenza e ricompaia in quella di arrivo senza passare nel mezzo”.

Il fenomeno è noto e si può ottenere se la posizione di partenza e di arrivo sono la prima e l’ultima di una catena dispari di siti identici in cui l’elettrone può trovarsi. Questo è un processo prettamente quantistico e una soluzione per far avvenire il trasferimento grazie al controllo opportuno di potenziali elettrici era stata inventata Nikolay Vitanov dell’Helsinki Institute of Physics nel 1999.

Data la sua natura piuttosto distante da ciò che il senso comune suggerirebbe, tale soluzione è chiamata sequenza controintuitiva. E proprio grazie a questa (contro) intuizione l’IA è stata in grado di elaborare una propria soluzione, senza che venissero forniti preconcetti o esempi, per far si che l’elettrone potesse essere teletrasportato anche in caso di disturbi durante il processo.

“L’Intelligenza Artificiale ha capito il fenomeno e generalizzato il risultato meglio di quanto sappiamo fare noi. È come se l’intelligenza artificiale fosse in grado di scoprire da sola come teletrasportare i Qubit a prescindere dal disturbo in atto, anche nei casi in cui noi non possediamo già una soluzione. Con questo lavoro abbiamo dimostrato che la progettazione e il controllo dei computer quantistici possono trarre vantaggio dall’uso dell’Intelligenza Artificiale”.