La prestigiosa rivista scientifica Physical Review Letters ha dedicato la cover del numero di gennaio all’articolo “Reinforcement Learning Approach to Nonequilibrium Quantum Thermodynamics” su uno studio condotto nell’ambito della termodinamica quantistica, nato dalla collaborazione tra i gruppi di ricerca del Dipartimento di Fisica e Chimica – Emilio Segrè dell’Università degli Studi di Palermo, guidato dal prof. Massimo Palma, e della School of Mathematics and Physics della Queen’s University di Belfast, guidato dal prof Mauro Paternostro, con il contributo di Pierpaolo Sgroi, laureatosi in Fisica ad UniPa e attualmente dottorando presso la Queen’s University. 

“Mediante un modello ad agente con apprendimento rinforzato di intelligenza artificiale – spiegano i ricercatori - è stato minimizzato il tasso di produzione di entropia di un sistema quantistico fuori equilibrio, con importanti implicazioni nel campo della cosiddetta termodinamica quantistica e della implementazione di macchine termodinamiche di dimensioni atomiche. 

La progettazione, lo sviluppo e l'ottimizzazione di macchine termodinamiche di dimensioni atomiche è uno dei principali filoni di ricerca nel campo della termodinamica quantistica. Oltre ad essere una delle più importanti applicazioni della termodinamica, le macchine termiche svolgono anche un ruolo fondamentale nello sviluppo della teoria della termodinamica classica stessa. Non sorprende quindi che la comunità che lavora nel campo che esplora l'interfaccia tra la termodinamica e la fisica quantistica sia molto interessata all'ideazione di tecniche per lo sfruttamento di proprietà quantistiche con l'obiettivo generale di operare su scala microscopica e migliorare le prestazioni di tali dispositivi in modo da raggiungere efficienze classicamente irraggiungibili. Un possibile approccio a questa classe di problemi è l'uso di tecniche di machine learning che stanno trovando crescente applicazione nel campo delle tecnologie quantistiche. 

Nell’ articolo, viene estesa la gamma di sistemi di interesse per le tecnologie quantistiche che possono essere studiati con tecniche di machine learning applicandole allo studio della termodinamica di non equilibrio dei processi quantistici. In particolare è stato mostrato come ridurre la dissipazione di energia e l'irreversibilità derivanti da una dinamica quantistica controllata mediante tecniche di reinforcement learning”.