Photonic quantum kernels outperform classical machine learning in real experiments

In uno studio appena pubblicato su Nature Photonics, ricercatori del Politecnico di Milano, del CNR - Istituto di Fotonica e Nanotecnologie (CNR-IFN),e dell’Università di Vienna hanno dimostrato sperimentalmente un protocollo di apprendimento automatico potenziato quantisticamente, che riesce a superare alcuni tra i principali algoritmi classici.

Utilizzando un processore fotonico integrato, il team ha implementato un kernel method basato sull’interferenza quantistica tra fotoni indistinguibili. Questo approccio consente la classificazione binaria dei dati con una accuratezza superiore rispetto a metodi classici come i kernel gaussiani e i kernel tangenti neurali.

L’esperimento utilizza un chip fotonico fabbricato con scrittura laser diretta, in cui i dati in ingresso sono codificati tramite le fasi ottiche e vengono processati tramite l’interferenza quantistica a due fotoni. Le distribuzioni risultanti sono analizzate usando una support vector machine (un algoritmo di apprendimento automatico molto noto). Un’importante sottolineatura è che questo metodo non richiede stati di fotoni entangled o controlli complessi – è sufficiente l’interferenza quantistica di due fotoni identici.

Questa collaborazione dimostra che, anche con le attuali tecnologie quantistiche NISQ (noisy intermediate-scale quantumtechnlogies), gli effetti quantistici possono produrre vantaggi in compiti reali reali di apprendimento automatico. Sorprendentemente, anche quando l’interferenza quantistica viene rimossa - utilizzando fotoni distinguibili - l’hardware fotonico continua a superare i kernel classici standard, suggerendo l’esistenza di un vantaggio computazionale intrinseco ai processori ottici.

Questi risultati offrono aprono prospettive interessanti per un apprendimento automatico potenziato quantisticamente, a basso consumo e scalabile, e tracciano nuove strade per il calcolo ibrido classico - fotonico.