I modelli generativi, come i modelli di diffusione, rappresentano uno degli sviluppi più significativi nel machine learning (ML) negli ultimi anni. Modelli come Stable Diffusion e Dall.e hanno trasformato il campo della generazione di immagini. Sono in grado di produrre immagini di alta qualità da una descrizione testuale.
“Il nostro nuovo modello per programmare computer quantistici fa lo stesso, ma invece di generare immagini, genera circuiti quantistici basati sulla descrizione testuale dell’operazione quantistica da eseguire“, spiega Gorka Muñoz-Gil del Dipartimento di Fisica Teorica dell’Università di Innsbruck, Austria.
Per preparare un determinato stato quantistico o eseguire un algoritmo su un computer quantistico, è necessario trovare la sequenza appropriata di porte quantistiche per eseguire queste operazioni. Sebbene ciò sia relativamente semplice nell’informatica classica, rappresenta una grande sfida nell’informatica quantistica, a causa delle particolarità del mondo quantistico.
Recentemente molti scienziati hanno proposto metodi per costruire circuiti quantistici, spesso basandosi su metodi di apprendimento automatico. L’addestramento di questi modelli ML è spesso molto difficile a causa della necessità di simulare circuiti quantistici mentre la macchina apprende. I modelli di diffusione evitano questi problemi attraverso il loro metodo di addestramento.
“Ciò offre un vantaggio considerevole», afferma Gorka Muñoz-Gil, che insieme a Hans J. Briegel e Florian Fürrutter ha sviluppato questo metodo innovativo. “Inoltre, mostriamo che i modelli di diffusione di denoising sono accurati nella loro generazione e anche molto flessibili, consentendo di generare circuiti con diversi numeri di qubit, nonché tipi e numeri di porte quantistiche.»
I modelli possono anche essere adattati per preparare circuiti che tengano conto della connettività dell’hardware quantistico, cioè di come sono collegati i qubit nel computer quantistico.
“Poiché la produzione di nuovi circuiti è molto economica una volta che il modello è stato addestrato, può essere utilizzato per scoprire nuove informazioni sulle operazioni quantistiche di interesse», aggiunge Gorka Muñoz-Gil.
Il metodo sviluppato presso l’Università di Innsbruck produce circuiti quantistici basati sulle specifiche dell’utente e adattati alle caratteristiche dell’hardware quantistico su cui verrà eseguito il circuito. Ciò segna un significativo passo avanti nello sfruttamento di tutto il potenziale dell’informatica quantistica.
L’opera è stata pubblicata in Intelligenza artificiale della natura ed è stato sostenuto finanziariamente, tra gli altri, dal Fondo austriaco per la scienza (FWF) e dall’Unione Europea.
Articolo: “Sintesi di circuiti quantistici con modelli di diffusione” – DOI: 10.1038/s42256-024-00831-9
Didascalia dell’illustrazione: Il metodo sviluppato presso l’Università di Innsbruck consente di produrre circuiti quantistici basati sulle specifiche dell’utente e adattati alle caratteristiche dell’hardware quantistico su cui verrà eseguito il circuito. Crediti: Università di Innsbruck/Harald Ritsch
