01. Tecnologie Fotoniche Quantistiche, intelligenza artificiale e complessità

 Si sostiene spesso che sistemi quantistici possano risolvere problemi di ottimizzazione combinatoria in un tempo che varia in maniera polinomiale con le dimensioni del sistema: una possibilità spesso indicata come “Vantaggio Quantistico.” La realizzazione pratica di queste macchine mostra però che una serie di effetti fisici spuri rende esponenziale la legge di scala, come nei calcolatori classici. Si pone allora il problema di stabilire se ci sia un reale vantaggio nel calcolo quantistico applicato ai problemi combinatori. La soluzione che si vuole perseguire è lo sviluppo di macchine computazionali ibride che utilizzino sistemi quantistici fotonici per l’accelerazione della computazione, ma che forniscano il risultato del calcolo in una forma classica robusta, che non sia soggetta a decoerenza e quindi sia immediatamente interfacciabile con calcolatori tradizionali.

Grazie alla fotonica, i partecipanti al progetto hanno dimostrato in via preliminare dei calcoli ottici con 105 spin, una scala mai raggiunta prima. Queste “proof-of-concept”, saranno sviluppate ampiamente nell’ambito del CREF, verso una nuova realizzazione di calcolatori fotonici. Saranno inoltre affrontati i problemi fisici fondamentali legati al ruolo dell’entanglement nei sistemi fotonici a molti corpi, agli effetti non lineari e ai modi collettivi dei sistemi che s’intende utilizzare per il calcolo.

In questo contesto è fondamentale l’utilizzo di nozioni da campi apparentemente distinti, come l’intelligenza artificiale, la fotonica, la fisica dei sistemi non-lineari, e ovviamente l’informazione quantistica.
L’uso del Machine Learning stia cambiando il modo di realizzare esperimenti in laboratorio, e la complessità di esperimenti che coinvolgono diversi sistemi interagenti a varie scale spaziali e temporali, spinge gli scienziati ad un approccio sempre più “data-driven”, che ricalca la tendenza che si osserva in altri campi, come l’economia e la teoria delle reti.

Un apparato sperimentale con uno strato di intelligenza artificiale, mirato non solo all’ottimizzazione dei parametri di osservazione, ma anche a guidare il ricercatore nella direzione più promettente per l’osservazione e a segnalare aspetti non previsti, è una pratica sempre più in uso.

La disponibilità di nuove risorse computazionali e nuovi paradigmi porta all’ideazione di esperimenti con un crescente grado di innovazione. Ne sono esempi esperimenti su larga scala le macchine di Ising.

Le tecniche fisiche sperimentali nel campo della fotonica, supportate dal Machine Learning con paradigmi come il “Reinforcement Learning” sarà uno degli obiettivi principali.