Le reti quantistiche mostrano l'intelligenza degli sciami
Diverse reti quantistiche poco addestrate insieme ottengono risultati migliori di una singola rete ben addestrata. Il principio può probabilmente essere applicato a molte architetture quantistiche tipiche.
Lo fanno gli uccelli e i pesci. Lo fanno anche le api, le formiche e le termiti. Formano sciami e sfruttano il fatto che in gruppo sono più forti, intelligenti e veloci. Ma l'intelligenza degli sciami può essere trasferita anche alle reti quantistiche? Un team guidato da Tanjung Krisnanda della Nanyang Technological University di Singapore si è posto questa domanda e lo ha scoperto: Sì, diverse reti quantistiche poco addestrate insieme sono più potenti di una singola rete ben addestrata. I loro risultati sono presentati nel numero attuale della rivista scientifica "Physical Review Applied".
Nelle scienze sociali, l'intelligenza di sciame è intesa come una decisione presa collettivamente da più persone o un risultato ottenuto congiuntamente è superiore alle prestazioni di un singolo esperto. Questo principio viene utilizzato nelle previsioni economiche, nelle decisioni di politica pubblica, nella diagnostica medica e nella consulenza scientifica. Il cosiddetto "ensemble learning" dell'informatica classica si basa su questo principio. L'idea è che una combinazione di diversi algoritmi di apprendimento possa essere migliore di un algoritmo da solo.
Quando le reti neurali artificiali contengono sistemi quantistici come nodi, vengono chiamate reti neurali quantistiche. In questo caso, i ricercatori hanno utilizzato una speciale rete a serbatoio quantistico (QRN) che sfrutta la natura non lineare delle interazioni meccaniche quantistiche. Ogni input influenza la reazione successiva.
L'input consiste in due qubit che interagiscono con la QRN per un certo periodo di tempo, in modo che le informazioni sull'input confluiscano nello stato della QRN. Leggendo i nodi del QRN ed elaborando il risultato con uno strato di uscita addestrato, gli scienziati sono in grado di ricostruire completamente lo stato dell'ingresso (tomografia) o di riconoscere se i qubit in ingresso sono entangled. "Assumendo che la somma dei cicli di addestramento sia la stessa in entrambi i casi, dimostriamo che il risultato collettivo dello sciame stima gli stati di ingresso meglio dell'esperto", affermano gli autori. Questa conclusione si applica anche al compito di riconoscere l'entanglement.
Per poter confrontare esperti e collettivi, gli scienziati si erano imposti che il numero totale di addestramenti dovesse essere identico per entrambi i sistemi. Tuttavia, se questa restrizione viene allentata, scrivono, l'aumento delle dimensioni dello sciame offre addirittura la possibilità di ridurre il tasso di errore a un livello arbitrariamente basso. Questo, a sua volta, è un prerequisito fondamentale per poter utilizzare l'apprendimento automatico in modo affidabile nelle applicazioni reali. "Riteniamo che i nostri risultati possano essere generalizzati a molte architetture e attività tipiche dell'apprendimento automatico con i quanti."
Spettro della Scienza
Siamo partner di Spektrum der Wissenschaft e vogliamo rendere le informazioni fondate più accessibili a te. Segui Spektrum der Wissenschaft se ti piacciono gli articoli.
[[small:]]
Immagine: Shutterstock
Gli esperti della scienza e della ricerca riferiscono sulle ultime scoperte nei loro campi – competenti, autentiche e comprensibili.