Superare la dicotomia tra unità di calcolo e unità di archiviazione, tra processore e memoria, caratteristica dei computer di uso quotidiano, e permettere in questo modo un considerevole risparmio energetico. È la sfida affrontata dal Nanoscience Laboratory del Dipartimento di Fisica dell’Università di Trento, protagonista di uno studio innovativo pubblicato sulla rivista scientifica Opto-Electronic Advances.
Il paper si intitola "Coupled integrated photonic quantum memristors using a single photon source made of a colour center" ed è firmato per UniTrento da Alessio Baldazzi e dai suoi colleghi Sebastiano Guaraldo, Ivan Fattori, Xuan Chen e Stefano Azzini, appartenenti al team di ricerca guidato al Dipartimento di Fisica dal professor Lorenzo Pavesi, coautore del lavoro. Il lavoro è stato svolto in collaborazione con Roy Philip George Konnoth Ancel e i suoi colleghi del "Laboratory Light, nanomaterials and nanotechnologies" dell’Università di Troyes (Francia).
Al centro della ricerca, che combina l’efficienza del machine learning e la potenza della fisica quantistica, ci sono i memristori quantistici fotonici, componenti miniaturizzati capaci di unire in un unico elemento le funzioni di calcolo e di memoria, gestendo e manipolando singoli quanti di luce, i fotoni.
Lo spiega il primo firmatario dell’articolo, Alessio Baldazzi, ricercatore al Dipartimento di Fisica: «La nostra ricerca combina i due paradigmi del machine learning e della fisica quantistica per superare le tradizionali architetture computazionali. Nel machine learning, come nel cervello umano, un’unica rete memorizza mentre processa l’informazione. Sfruttare le proprietà quantistiche significa invece poter contare, ad esempio, sulla sovrapposizione degli stati della meccanica quantistica o su processi come l'entanglement». «L’idea – precisa Baldazzi – è proprio quella di combinare questi due approcci: per quanto riguarda la computazione quantistica, utilizziamo la piattaforma fotonica, cioè usiamo singoli fotoni – la componente indivisibile della luce – che ci permettono di andare a scrivere l’informazione nel loro stato. Per l’aspetto di machine learning usiamo dei memristori, oggetti provenienti dall’elettronica che, mentre elaborano, allo stesso tempo memorizzano. Viene dunque meno la necessità di avere uno scambio continuo tra memoria e processore, che consuma energia e tempo. Nel caso del memristore fotonico non c’è una corrente elettrica che fluisce attraverso il dispositivo, ma un flusso di fotoni. I memristori sono detti fotonici e quantistici proprio perché lavoriamo con i singoli fotoni».
Le possibili applicazioni sono molte, anche se non immediate, racconta poi il ricercatore: «Muoviamo nella direzione di superare la dicotomia tra memoria e processore – afferma –. Con un singolo oggetto abbiamo verificato che il dispositivo riesce a svolgere i calcoli attraverso l’uso dei singoli fotoni. Ciò apre le porte alla scalabilità: in futuro vogliamo andare a combinare uno o più oggetti in una rete sempre più complessa ed efficiente dal punto di vista energetico, sia per la mancanza di comunicazione tra memoria e processore, sia per l’uso di singoli fotoni, segnali con consumi e intensità ridotti rispetto a quelli di un chip elettronico tradizionale. È un primo passo verso lo sviluppo di una macchina che implementi il paradigma del quantum machine learning, una sorta di chip a fotoni».
La direzione è tracciata, aggiunge Baldazzi: «Abbiamo realizzato per ora una proof of concept di un singolo memristore e di una composizione semplice di due memristori. Stiamo studiando queste combinazioni semplici e vorremmo proseguire in questo senso, per ora abbiamo mosso i primi passi. C’è ancora strada da fare e serviranno anni di ricerca, perché lavorare con i singoli fotoni è complesso. Quest’ultimo, poi, è un altro ambito d’azione fondamentale: siamo anche alla ricerca di una sorgente efficiente di singoli fotoni».
Preziosa, perciò, è la collaborazione con l’Università di Troyes: «Il "Laboratory Light, nanomaterials and nanotechnologies" è specializzato in sorgenti deterministiche – racconta il ricercatore –. All’Università di Trento i colleghi hanno montato direttamente la loro sorgente e abbiamo quindi lavorato assieme per ottimizzarla. Noi siamo esperti invece nella manipolazione dei fotoni. Lo step successivo prevederà più sorgenti e più dispositivi, combinati tra loro in modo non banale». Continuerà dunque la collaborazione con l’obiettivo di superare i limiti dell'informatica tradizionale: «La strada è molto promettente perché già con un paio di dispositivi siamo riusciti a risolvere task non banali, in particolare quelle che riguardano evoluzioni temporali articolate. Il dispositivo viene allenato su un dataset e gli viene chiesta una predizione della serie temporale in momenti successivi, come ad esempio l’andamento dei parametri meteorologici o dei mercati finanziari».




