Due fotoni battono i supercomputer: un nuovo passo per il machine learning quantistico | | | | Turtles AI

In un chip fotonico quantistico integrato, due fotoni sono stati utilizzati per implementare metodi di machine learning basati su kernel. Il sistema ha dimostrato prestazioni superiori in velocità, accuratezza ed efficienza energetica rispetto ai migliori algoritmi classici.

Punti chiave:

• Accelerazione quantistica concreta su problemi reali di apprendimento kernel
• Nessuna necessità di porte entangled: fa affidamento su interferenza tra fotoni
• Prova sperimentale con due fotoni in circuito fotonico integrato
• Scalabilità potenziale verso sistemi con più fotoni o qubit

L’8 giugno è stato pubblicato uno studio su Nature Photonics che presenta un’architettura sperimentale ideata dall’Università di Vienna (in collaborazione con Politecnico di Milano e Quantinuum). Il team ha impiegato un processore fotonico integrato, realizzato con incisioni femtosecondiche su vetro borosilicato, in grado di eseguire un algoritmo di apprendimento kernel utilizzando stati Fock a due fotoni. Con questo approccio, i fotoni indistinguibili iniettati in sei configurazioni differenti hanno permesso di mappare dati in uno spazio di caratteristiche ad alta dimensionalità sfruttando l’interferenza quantistica, senza necessità di operazioni entangled complesse.

Il confronto sperimentale tra kernel quantistici e kernel classici (Gaussiani e neural tangent) ha mostrato superiorità quantistica in compiti di classificazione binaria, con misurazioni che indicano vantaggi su tre fronti: velocità, accuratezza ed efficienza energetica. Il sistema fotonico ha eseguito il circuito molto più rapidamente, con minori errori e consumando meno energia rispetto agli algoritmi classici implementati su supercomputer di ultima generazione.

Questo risultato rappresenta un raro esempio di quantum speed‑up concreto su dati reali, ottenuto con risorse quantistiche minime: bastano due fotoni, senza operazioni entangled né requisiti di correzione di errore. Gli autori sottolineano che l’architettura può funzionare in versioni mono‑qubit sfruttando codifiche spaziali fotoniche, aprendo la strada a implementazioni ibride in cui processori fotonici co‑esistano con sistemi elettronici tradizionali.

Gli scenari applicativi includono sistemi di apprendimento supervisionato su piccole quantità di dati (come elaborazione del linguaggio naturale) e dispositivi edge‑AI integrati in ambienti a bassa potenza – compresa l’eventualità di impiego in satelliti o centri dati con limiti termici. Inoltre, l’analisi approfondita del tempo di esecuzione fotonico ha permesso di isolare con precisione le fasi in cui l’approccio quantistico è effettivamente vantaggioso, consentendo una selezione guidata dei sottoproblemi più adatti a questa tecnologia.

Pur limitato allo stadio attuale da sfide tecniche (rumore, perdite, scalabilità nell’integrazione e rivelazione), lo schema dimostra principio e metodo replicabili se estesi a piattaforme con più fotoni o qubit. In prospettiva, ciò potrebbe permettere lo sviluppo di algoritmi kernel quantistici capaci di superare i limiti computazionali e energetici imposti dai modelli elettronici tradizionali.

Resta la prova sperimentale che perfino piccoli processori quantistici fotonici possono offrire vantaggi concreti, senza richiedere tecnologie di correzione d’errore o strutture entangled complesse.

Alla luce di questi risultati, il percorso verso sistemi di apprendimento automatico con rinforzo quantistico integrato appare promettente.