Loading...

01. Tecnologie Fotoniche Quantistiche, intelligenza artificiale e complessità

Il progetto su Tecnologie Fotoniche e Intelligenza artificiale ha lo scopo di dimostrare sperimentalmente nuove macchine di calcolo che utilizzano la luce per accelerare la soluzione di problemi di ottimizzazione combinatoria e per delle reti neurali ibride elettroniche e fotoniche.

Ulteriore obiettivo è sviluppare conoscenze in merito alla fisica di base classica e quantistica mediante teorie e simulazioni numeriche.

Attualmente al CREF è in fase di allestimento un laboratorio con due banchi ottici attrezzati, comprensivi di modulatori spaziali di luce e prime sorgenti laser a bassa potenza.

 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.

Questo progetto si sviluppa in forte sinergia con le università in particolare con l’Università Sapienza di Roma, e il personale del Dipartimento di Fisica. Sono coinvolti il Prof. Claudio Conti, e il Prof. Eugenio Del Re.

Nell’ambito della collaborazione con il CNR sono coinvolti il Dr. Davide Pierangeli, la Dr.ssa Laura Pilozzi, e la Dr.ssa Valentina Brosco.

Sono altresì in corso collaborazioni con i maggiori centri internazionali nell’ambito delle iniziative sulle quantum technologies: ICTP, University of Bonn, CNR, CNRS University of Paris, Herriott Watt University, University of Ottawa, National Tsing Hua University.

C. Conti, and E. Del Re, Photonics and the Nobel Prize in Physics, Nature Photonics 16, 6 (2022)
C. Conti, Fluctuations and non-Gaussianity in 3D+ 1 quantum nonlocal nonlinear waves: towards quantum gravity and quantum fluid technologies, arXiv:2202.10741 (2022)
M. Calvanese Strinati, F. Vewiger, C. Conti, Nonlocality-induced surface localization in Bose-Einstein condensates of light, arXiv:2112.05446 (2021)
C. Conti, Training Gaussian boson sampling by quantum machine learning, Quantum Machine Intelligence 3(2), 1-8 (2021)
M. Calvanese Strinati, D. Pierangeli, and C. Conti, All-optical scalable spatial coherent Ising machine, Phys. Rev. Applied 16(5), 054022 (2021)
C. Conti, Boson sampling discrete solitons by quantum machine learning, arXiv:2110.12379 (2021)
D. Pierangeli, G. Marcucci, and C. Conti, Photonic extreme learning machine by free-space optical propagation, Photonics Research 9 (8):1446-1454 (2021)
V. Brosco, L. Pilozzi, and C. Conti, Two-flux tunable Aharonov-Bohm effect in a photonic lattice, Phys. Rev. B 104, 024306 (2021)
V. Brosco, L. Pilozzi, R. Fazio, and C. Conti, Non-Abelian Thouless pumping in a photonic lattice, Phys. Rev. A 103, 063518 (2021)