Tecnologie fotoniche quantistiche, intelligenza artificiale e complessità

Questa attività è svolta in collaborazione con il prof. Sciarrino (www.quantumlab.it) e il prof. Conti del Dipartimento di Fisica della Sapienza, “Nuovi Talenti” del CREF negli anni 2005-2008. Questa linea di ricerca mira a rafforzare la collaborazione con gruppi di punta nel campo delle tecnologie quantistiche, e applicazioni legate all’intelligenza artificiale, anche per quanto riguarda il coinvolgimento di studenti e il corso di Dottorato in Fisica della Sapienza. Gli obiettivi principali sono la realizzazione di nuovi esperimenti di calcolo e informazione quantistica con tecnologie fotoniche, con un forte supporto negli studi teorici e computazionali collegati.

Introduzione, il CREF come polo di attrazione per la fotonica

Le tecnologie quantistiche sono indubbiamente uno dei campi di maggiore interesse strategico al mondo. Ne sono testimoni l’enorme investimento da parte degli Stati Uniti, della Cina, e della comunità Europea, con il coinvolgimento di grandi realtà industriali come IBM e Google.

Esistono numerosi problemi aperti legati alle tecnologie quantistiche, sia da un punto di vista fondamentale che applicativo. Nonostante un numero crescente di ricercatori e una comunità sempre più attiva, queste ricerche non hanno ancora raggiunto il grado di maturazione per avere un impatto concreto nella società, o per cambiare in maniera radicale i paradigmi della scienza fisica moderna. Tuttavia, gli impressionanti sviluppi e la convergenza nelle tecnologie quantistiche di discipline come l’intelligenza artificiale, la fotonica e i sistemi complessi aprono orizzonti che non si possono trascurare.

In questo contesto il CREF può giocare un ruolo strategico a livello nazionale e internazionale, grazie al forte legame col Dipartimento di Fisica della Sapienza dove sono attivi alcuni di maggiori scienziati del campo (molti dei quali ex-grantisti del CREF) con una ricca comunità di studenti e giovani ricercatori.

Il CREF può essere un polo di riferimento per lo sviluppo di nuovi concetti e nuovi esperimenti, e anche nucleo di aggregazione, grazie alla sua storia e alle strutture che mette a disposizione, per congressi e nuovi laboratori. La commistione con altre realtà prossime come l’Università Sapienza, CNR, e INFN può creare un centro per la fotonica di forte innovazione ad alto impatto scientifico con il coordinamento a Via Panisperna.

Questa linea di ricerca si inquadra in questo contesto, e inizia un percorso ambizioso per fondare una realtà di grande respiro. Il punto di partenza è un nuovo laboratorio distribuito tra CREF e Dipartimento di Fisica della Sapienza, che prevede come primi obiettivi la realizzazione di nuove macchine computazionali alla frontiera tra sistemi classici e quantistici per risolvere problemi di interesse sociale, come quelli legati all’economia o all’ottimizzazione di sistemi complessi, e per affrontare i numerosi aspetti fondamentali che le tecnologie quantistiche aprono.

Nuovi Calcolatori Ibridi Classici/Quantistici. Enrico Fermi è stato un pioniere nella realizzazione e nell’utilizzo di macchine calcolatrici, esempi sono presenti anche nel Museo del CREF. 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” o addirittura “Supremazia Quantistica.” Tuttavia, la realizzazione pratica di queste macchine mostra che una serie di effetti fisici (come l’eccitazione di stati energetici 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. Le prime evidenze sperimentali di questa possibilità sono state riportate dai partecipanti a questo progetto, che grazie alla fotonica hanno dimostrato in via preliminare dei calcoli ottici con 105 spin [Pierangeli2019], 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 appunto all’interfaccia classica/quantistica, alla 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.

La linea guida in questo contesto è l’utilizzo interdisciplinare di nozioni da campi apparentemente distinti, come l’intelligenza artificiale, la fotonica, la fisica dei sistemi nonlineari, e ovviamente l’informazione quantistica. Risulta sempre più evidente come l’uso del Machine Learning stia cambiando il modo di realizzare esperimenti in laboratorio. La complessità di esperimenti che coinvolgono diversi sistemi interagenti (elettronici, ottici, quantistici) 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. Arricchire 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 come il “Big-Bell test,” [Abel2018] o concetti innovati, come le macchine di Ising [Pierangeli2019]. Lo sviluppo di tecniche fisiche sperimentali nel campo della fotonica, supportate dal Machine Learning con paradigmi come il “Reinforcement Learning” sarà uno degli obiettivi principali.
Questa linea si inserisce in un contesto fortemente internazionale mediato da iniziative come la Flagship europea per le Tecnologie Quantistiche, oppure progetti dello European Research Council e Future Emerging Technologie. I partecipanti di questa linea sviluppano le loro ricerche nell’ambito di collaborazioni che coinvolgono le maggiori università e centri di ricerca.

Ulteriore obiettivo è il sostanziale coinvolgimento di studenti e della comunità scientifica. Tra le iniziative che si prevedono vi sono workshop presso il CREF, visite guidate ai laboratori, tirocini, tesi di laurea e dottorato.

Un workshop nazionale sulle tecnologie quantistiche a Via Panisperna

Questa linea di ricerca intende rafforzare la comunità scientifica sulle tecnologie quantistiche intorno al CREF. Si organizzeranno degli incontri a cadenza annuale presso il CREF, coinvolgendo i maggiori scienziati del campo e numerosi studenti. Lo scopo degli incontri sarà identificare le linee guide di maggiore interesse, le nuove sfide, e lo sviluppo di nuovi esperimenti e iniziative, come progetti di ricerca, nell’ottica dell’incubatore di nuove idee scientifiche in cui il nuovo CREF si pone. Saranno anche creati dei premi per giovani ricercatrici e ricercatori promettenti.

Nuovi laboratori e nuovi esperimenti

La sfida maggiore è la messa in opera di nuovi laboratori presso il CREF per esperimenti di nuova concezione nel campo delle tecnologie quantistiche, anche in diretta connessione con i laboratori e gli studenti del corso di Laurea in Fisica della Sapienza. Tra i laboratori che si intende mettere in opera, si includono in particolare:

– Laboratorio di Quantum Causality and Technologies (QCT): verrà sviluppata una sorgente compatta e brillante di stati entangled. Questa sorgente servirà sia per scopi didattici legati all’attività del Museo del CREF sia per le attività di ricerca. In particolare, verranno realizzati diversi schemi di causalità quantistica ed il Laboratorio QCT servirà da nodo nell’ambito di una rete connessa con il Dipartimento di Fisica – Sapienza Università di Roma.

– Laboratorio di Computazione Ottica Classica e Quantistica: verranno sviluppate delle macchine computazionali con tecnologie fotoniche, anche queste mirate alla divulgazione e alla ricerca. In particolare, saranno realizzati diversi sistemi con i paradigmi descritti nel seguito e resi disponibili per le diverse applicazioni, anche a scopo didattico.
Gli sviluppi ottenuti da entrambi i Laboratori saranno quindi combinati per effettuare esperimenti di calcolo ottico sfruttando come risorsa stati quantistici della luce.

Calcolo ottico ultraveloce e calcolo neuromorfico

Si studiano sistemi di calcolo ibrido quantistico e classico per lo sviluppo e il test sperimentale di nuovi paradigmi computazionali applicati a problemi combinatori “data-driven” del mondo reale. Si prevede la costruzione e messa in opera “nello spirito di Fermi” di veri e propri calcolatori basati su tecnologie ottiche che saranno messi online e resi accessibili dall’esterno per applicazioni diverse.

Tra le attività previste c’è la realizzazione di macchine di Ising su una scala mai raggiunta prima. Le macchine di Ising risolvono l’ottimizzazione combinatoria mappando problemi computazionali, come la fattorizzazione di interi nella minimizzazione di Hamiltoniane a molti corpi. Le nuove tecnologie fotoniche prevedono l’utilizzo di sistemi ottici su larga scala, in cui gli spin sono le polarizzazioni dei fotoni in un fascio laser. Mediante l’utilizzo di nuovi dispositivi ottici e apparati non lineari controllati da intelligenza artificiale, si dimostreranno dei computer ottici ultraveloci sulla scala dei milioni di spin.

Il calcolo neuromorfico è un paradigma emergente nell’ambito dei nuovi modelli di reti neurali. Il problema che oggi limita l’hardware delle reti neurali è il costo dell’addestramento di questi modelli, (utilizzati, per esempio, per le traduzioni o per il tracking di oggetti in ambienti tridimensionali). L’impatto energetico e ambientale dell’addestramento di grandi reti neurali per attività complesse è la difficoltà principale. Se si considera l’attuale consumo di decine di miliardi di kWh mondiali dei grossi centri di elaborazione dati, si capisce come sia sempre più rilevante sviluppare nuovi modelli di calcolo in cui l’addestramento non sia così pesante. È necessario identificare nuovi modelli computazionali e nuovo hardware più efficienti. Un paradigma che si va affermando è il cosiddetto calcolo “neuromorfico”, ispirato dal funzionamento efficiente del cervello umano. Nelle reti neuromorfiche, la maggior parte dei pesi non viene ottimizzato, e l’addestramento avviene solo nell’input e nell’output. Se la rete è sufficientemente grande, si può dimostrare che la potenzialità computazionali sono confrontabili con i modelli standard. Inoltre, gli schemi neuromorfici sono direttamente implementabili con hardware fotonico in cui la luce sostituisce la corrente elettronica nell’elaborazione. In questo hardware ottico, il consumo di energia si riduce drasticamente perché si usano solo componenti passivi, la velocità di elaborazione è la massima possibile, e la scala dei problemi raggiunge al momento 106 spin, ed è destinata a moltiplicarsi rapidamente nel futuro. Nell’ambito del CREF, facendo seguito ad alcune proposte dei partecipanti [Marcucci2020], saranno realizzati nuovi calcolatori neuromorfici fotonici classici e quantistici. Si tratta di una nuova classe di esperimenti e dispositivi che apre moltissime sfide sia teoriche che applicative.

Trasmissione quantistica: un link da via Panisperna alla Sapienza

L’idea è di realizzare il primo link, via fibra o in aria, di informazione quantistica che leghi l’originale Istituto a Via Panisperna col il Dipartimento di Fisica della Sapienza. Si tratta di un esperimento rivoluzionario e di grande impatto storico, che può rappresentare inoltre il primo passo verso una rete quantistica su scala maggiore. Inoltre, questo link può essere integrato con le macchine computazionali per testare il ruolo dell’entanglement e della nonlocalità quantistica, anche nell’ottica di studi sui principi fondamentali della meccanica quantistica.

Photonics quantum technologies e Machine Learning

Le tecnologie quantistiche hanno il potenziale per influenzare profondamente diversi aspetti della società moderna. Esempi rilevanti sono la simulazione di sistemi quantistici, l’ingegneria dei materiali, le nanotecnologie ed il commercio via Internet. Il Machine Learning è una vivace area di ricerca che è progredita molto rapidamente negli ultimi anni: le sue applicazioni sono onnipresenti e vanno dall’e-commerce, all’assistenza sanitaria, al neuroimaging, alla fisica delle particelle, alla scienza fondamentale. Lo scopo di questa linea di ricerca è quindi di lavorare sperimentalmente alla connessione tra l’informazione quantistica e il machine learning. Si sfrutteranno sia una piattaforma fotonica integrata ibrida che una piattaforma di ottica “bulk”.
1) Dimostreremo che le piattaforme fotoniche basate su quantum walk possono essere adottate in maniera efficace per implementare protocolli di Quantum Machine Learning. Verranno realizzate diverse dimostrazioni di machine learning quantistico per dimostrare la capacità degli agenti quantistici di apprendere caratteristiche fisiche non accessibili tramite tecniche classiche. Come paradigma di riferimento sfrutteremo il reservoir quantum computing basato su una piattaforma fotonica.
2) Sfrutteremo tecniche di machine learning per certificare il corretto funzionamento di dispostivi quantistici. La certificazione di apparati quantistici è un elemento di fondamentale importanza, in particolare in un regime in cui il sistema risolve un problema intrattabile classicamente. La capacità delle tecniche di machine learning di trattare grandi moli di dati, e di trovare pattern ricorrenti al loro interno, può rappresentare quindi un potente strumento per la validazione sia di protocolli di comunicazione sia di algoritmi quantistici [Gior2018, Agre2019].

Causalità quantistica

L’inferenza causale a partire da osservazioni sperimentali risulta essere di primaria importanza in diversi campi scientifici. La teoria della causalità è infatti diventata uno strumento fondamentale per una vasta gamma di applicazioni, come la statistica ed il Machine learning, e attraverso questi, in genetica, studi sociali ed economia. È stato scoperto che le nostre nozioni di base di causa ed effetto sono incompatibili con i fenomeni quantistici [Chav2017, Pode2019]. La teoria della causalità fornisce un nuovo e potente strumento per affrontare i problemi di informazione quantistica. Recentemente è stato mostrato che la causalità quantistica permette lo sviluppo di nuovi protocolli basati su minori vincoli, a differenza di quelli implementati in precedenza. Esempi rilevanti sono la generazione certificata di numeri puramente aleatori [Agre2020], oppure la generazione di effetti quantistici all’interno di un network fra diversi laboratori diversi [Pode2020] Questo linea di ricerca ha come scopo portare quest’attività al livello successivo, ottenendo passi avanti sia teorici sia sperimentali sulle basi e sulle implicazioni sperimentali della causalità quantistica. In particolare, verranno perseguiti i seguenti obiettivi:
1) Analizzare l’emergere di nuovi tipi di comportamento non classico in diversi tipi di reti causali mai considerati prima. Questo include l’uso di collegamenti a distanza tramite fibra ottica e/o free-space tra due o più nodi.
2) Sviluppare nuovi protocolli di informazione quantistica per reti quantistiche formate da più partecipanti.
3) Sfruttare tecniche di Machine Learning per l’analisi dei dati ottenuti tramite strutture sperimentali complesse.

Bibliografia

[Pierangeli2019] D. Pierangeli, G.Marcucci, C. Conti, Large-scale photonic Ising machine by spatial light modulation, Phys. Rev. Lett. 122, 213902 (2019)
[Marcucci2020] G. Marcucci, D. Pierangeli, C. Conti, Theory of Neuromorphic Computing by Waves, Phys. Rev. Lett. 2020, to be published, arXiv:1912.07044
[Agre2019] I. Agresti, N. Viggianiello, F. Flamini, N. Spagnolo, A. Crespi, R. Osellame, N. Wiebe, F. Sciarrino, Pattern recognition techniques for Boson Sampling validation, Phys. Rev. X 9, 011013 (2019)
[Abel2018] C. Abellán,et al., Challenging local realism with human choices – The BIG Bell Test Collaboration, Nature 557, pp. 212–216 (2018)
[Giord2018] T. Giordani, F. Flamini, M. Pompili, N. Viggianiello, N. Spagnolo, A. Crespi, R. Osellame, N. Wiebe, M. Walschaers, A. Buchleitner, F. Sciarrino. Experimental statistical signature of many-body quantum interference. Nature Photonics 12, 173–178 (2018)
[Wang2019] J. Wang, F. Sciarrino, A. Laing, M. G. Thompson, Integrated photonic quantum technologies, Nature Photonics (2019) doi:10.1038/s41566-019-0532-1.
[Chav2017] R. Chaves, G. Carvacho, I. Agresti, V. Di Giulio, L. Aolita, S. Giacomini, F. Sciarrino. Quantum violation of an instrumental test. Nature Physics (2017). doi:10.1038/s41567-017-0008-5
[Agre2020] I. Agresti, D. Poderini, L. Guerini, M. Mancusi, G. Carvacho, L. Aolita, D. Cavalcanti, R. Chaves, F. Sciarrino, Experimental device-independent certified randomness generation with an instrumental causal structure, Communications Physics volume 3, article number: 110 (2020).
[Pode2019] D. Poderini, R. Chaves, I. Agresti, G. Carvacho, F. Sciarrino, Exclusivity graph approach to Instrumental inequalities, Proceedings of Conference on Uncertainty in Artificial Intelligence (UAI), (2019).
[Pode2020] D. Poderini, I. Agresti, G. Marchese, E. Polino, T. Giordani, A. Suprano, M. Valeri, G. Milani, N. Spagnolo, G. Carvacho, R. Chaves and F. Sciarrino, Experimental violation of n-locality in a star quantum network, Nature Communications 11, 2467 (2020).