I ricercatori hanno dimostrato matematicamente che le reti neurali quantistiche (QNN) potrebbero potenzialmente aggirare le limitazioni imposte dal principio di indeterminazione di Heisenberg, una pietra angolare della meccanica quantistica. Questa svolta suggerisce un modo per misurare molteplici proprietà dei sistemi quantistici con maggiore precisione di quanto precedentemente ritenuto possibile, il che ha importanti implicazioni per l’informatica quantistica e la scienza dei materiali.
La sfida: misurazione quantistica e incertezza
Il principio di indeterminazione di Heisenberg impone che alcune coppie di proprietà fisiche, come posizione e quantità di moto, non possano essere conosciute simultaneamente con assoluta precisione. Misurare una proprietà in modo più preciso riduce di per sé la precisione con cui è possibile determinare l’altra. Ciò rappresenta un ostacolo significativo nella caratterizzazione dei sistemi quantistici, compresi i qubit utilizzati nei computer quantistici.
Tradizionalmente, i ricercatori valutano le proprietà dei qubit applicando una serie di operazioni, simili a test matematici come dividere un numero per due per verificare l’uguaglianza. Tuttavia, il principio di indeterminazione rende incompatibili alcune combinazioni di operazioni. Tentarli è come provare a moltiplicare per tre e poi dividere per due senza perdere informazioni significative.
Reti neurali quantistiche come soluzione
Lo studio, condotto da Duanlu Zhou presso l’Accademia cinese delle scienze, propone che i QNN possano risolvere questa incompatibilità. Incorporando operazioni casuali da un insieme predefinito nell’algoritmo, i QNN possono misurare più proprietà simultaneamente, anche quelle vincolate dal principio di incertezza.
Ciò è possibile perché i risultati di numerose operazioni casuali possono essere analizzati statisticamente per rivelare risultati più precisi rispetto alle singole operazioni ripetute. In sostanza, la casualità consente alla QNN di “sondare” il sistema in modo da evitare la violazione diretta del principio di incertezza pur estraendo la massima informazione.
Implicazioni per l’informatica quantistica e la scienza dei materiali
Robert Huang del California Institute of Technology sottolinea che la misurazione efficiente di proprietà incompatibili accelera la nostra capacità di conoscere i sistemi quantistici. Ciò è fondamentale sia per il benchmarking dei computer quantistici che per la simulazione di sistemi complessi come molecole e materiali. Quanto più velocemente e con maggiore precisione riusciremo a caratterizzare i qubit, tanto più potenti e affidabili diventeranno i computer quantistici.
La fattibilità di questo approccio negli scenari del mondo reale deve ancora essere completamente testata. Huang osserva che la sua efficacia dipenderà dal confronto con i metodi esistenti che sfruttano anch’essi la casualità nelle misurazioni quantistiche. Tuttavia, il quadro teorico è solido e apre un percorso promettente verso il superamento delle limitazioni fondamentali nella misurazione quantistica.
In definitiva, questa ricerca suggerisce che algoritmi di apprendimento automatico quantistico attentamente progettati potrebbero sbloccare conoscenze più approfondite sul comportamento dei sistemi quantistici, accelerando il progresso in diversi campi, dalla chimica allo sviluppo di materiali avanzati.
