Gli algoritmi classici di apprendimento automatico (ML) hanno dimostrato di essere strumenti potenti per una vasta gamma di attività, tra cui il riconoscimento di immagini e vocale, l’elaborazione del linguaggio naturale (NLP) e la modellazione predittiva. Tuttavia, gli algoritmi classici sono limitati dai vincoli del calcolo classico e possono avere difficoltà a elaborare set di dati grandi e complessi o a raggiungere elevati livelli di accuratezza e precisione. Il Quantum machine learning (QML) è in grado di superare questi limiti.
Quantum machine learning (QML), cos’è, cosa permette di fare
Il Quantum machine learning combina la potenza del calcolo quantistico con le capacità predittive del ML per superare i limiti degli algoritmi classici e offrire miglioramenti nelle prestazioni. Nel loro articolo ”On the role of entanglement in quantum-computational speed-up”, Richard Jozsa e Neil Linden, dell’Università di Bristol nel Regno Unito, scrivono che ”gli algoritmi QML promettono di fornire accelerazioni esponenziali rispetto alle loro controparti classiche per determinati compiti, come la classificazione dei dati, la selezione delle caratteristiche e l’analisi dei cluster. In particolare, l’uso di algoritmi quantistici per l’apprendimento supervisionato e non supervisionato ha il potenziale per rivoluzionare l’apprendimento automatico e l’intelligenza artificiale”.
Confronto fra QML e machine learning classico
Zohra Ladha, senior director, data science and AI di Tredence, afferma che QML differisce dall’apprendimento automatico tradizionale in diversi modi chiave:
- Parallelismo quantistico: gli algoritmi quantistici possono sfruttare la proprietà unica dei sistemi quantistici nota come parallelismo quantistico, che consente loro di eseguire più calcoli contemporaneamente. Durante l’elaborazione di grandi quantità di dati, come immagini o parlato, ciò può ridurre significativamente il tempo necessario per risolvere un problema.
- Sovrapposizione quantistica: la sovrapposizione quantistica consente a un algoritmo quantistico di rappresentare più stati contemporaneamente. Ciò può consentire di esplorare possibili soluzioni a un problema, portando a soluzioni più accurate ed efficienti.
- entanglement quantistico: gli algoritmi quantistici possono anche utilizzare la proprietà dell’entanglement quantistico, che consente ai sistemi quantistici di essere correlati in modi che la fisica classica non può spiegare. Ciò può consentire agli algoritmi quantistici di eseguire determinati compiti in modo più efficiente rispetto agli algoritmi classici.
Gli algoritmi di apprendimento automatico tradizionali, che si basano su tecniche di calcolo classiche e mancano di queste capacità quantistiche, possono essere più lenti o meno accurati in alcuni casi.
QML: dalla ricerca al mondo reale
La ricerca sull’apprendimento automatico quantistico è iniziata nel 1980. Alla fine del 1990 e all’inizio del 2000 i ricercatori hanno sviluppato reti neurali quantistiche per dimostrare il potenziale dei sistemi quantistici per l’apprendimento automatico che possono essere addestrati a riconoscere i modelli nei dati. Da allora queste reti sono state applicate a una vasta gamma di problemi del mondo reale.
Un decennio dopo, i ricercatori hanno sviluppato algoritmi quantistici e strumenti software per attività di apprendimento automatico. Questi includevano versioni quantistiche di popolari algoritmi di apprendimento automatico come macchine vettoriali di supporto, alberi decisionali e reti neurali.
Anche lo sviluppo dei computer quantistici è stato un fattore chiave nella crescita di QML. Negli anni 2010 e 2020, diverse aziende e gruppi di ricerca hanno sviluppato computer quantistici in grado di eseguire attività di apprendimento automatico. Questi includevano sia computer quantistici basati su gate che quantum annealer. Entro il 2020, QML ha iniziato a essere ampiamente adottato in applicazioni tra cui il riconoscimento di modelli, l’elaborazione del linguaggio naturale e l’ottimizzazione.
Le applicazioni del QML
Oggi, una delle applicazioni più promettenti di QML è la scoperta di farmaci. I processi tradizionali di scoperta di farmaci possono essere lenti, costosi e incoerenti. QML ha il potenziale per accelerare il processo. ”Dopo il nostro successo iniziale nella ricerca di una molecola terapeutica COVID-19, volevamo estendere lo spazio per generare molecole più piccole”, ha dichiarato Nikhil Malhotra, responsabile globale, Makers Lab di Tech Mahindra. ”La generazione di GAN quantistico o GAN ibrido è qualcosa che stiamo cercando per piccole molecole. Questo, credo, farebbe avanzare significativamente la scoperta di farmaci e persino la creazione di nuovi farmaci”.
I mercati finanziari sono un’altra area in cui QML ha mostrato risultati promettenti. Un documento del 2021 del Future Lab for Applied research and Engineering di JPMorgan ha concluso che QML può eseguire attività come la determinazione dei prezzi degli asset, la previsione della volatilità, la previsione del risultato di opzioni esotiche, il rilevamento delle frodi, la selezione dei titoli, la selezione degli hedge fund, il trading algoritmico, il market making, le previsioni finanziarie, la contabilità e l’auditing e la valutazione del rischio molto più velocemente e più accuratamente rispetto agli algoritmi classici.
Cosa promette l’apprendimento automatico quantistico nel 2023
”Il Quantum Machine Learning è un campo entusiasmante e in rapido sviluppo che ha il potenziale per avere un impatto significativo su una vasta gamma di settori e applicazioni”, afferma Ladha. Per il 2023, prevede che gli algoritmi quantistici abbiano il potenziale per eseguire determinate attività di apprendimento automatico in modo più rapido e accurato, in particolare per attività come il riconoscimento di immagini e vocale, che richiedono l’elaborazione di grandi quantità di dati. Sottolinea inoltre che QML può affrontare problemi di ottimizzazione che spesso sorgono nelle attività di apprendimento automatico e sono difficili da risolvere utilizzando algoritmi classici. Ladha prevede che la capacità degli algoritmi quantistici di risolvere questi problemi in modo più efficiente potrebbe avvantaggiare la finanza e la logistica.
La sicurezza informatica è un’altra area in cui prevede che QML avrà un impatto. ”Sviluppando algoritmi più sofisticati per rilevare e prevenire gli attacchi informatici, l’apprendimento automatico quantistico potrebbe migliorare la sicurezza dei sistemi”, ha affermato.
Scavando un po’ più a fondo nella tecnologia stessa, Malhotra ha detto che si aspetta di vedere la stragrande maggioranza degli algoritmi ML, in particolare quelli su reti neurali artificiali, da provare sulla macchina quantistica come algoritmi di apprendimento automatico quantistico. ”Abbiamo visto le prime interpretazioni come QNLP, Q-GAN e persino l’apprendimento rafforzato sui circuiti quantistici. Prevedo che la tendenza crescerà nel 2023”, ha detto.
Le sfide dell’apprendimento automatico quantistico
L’evidenza suggerisce che i modelli di apprendimento automatico possono essere addestrati per una maggiore precisione con meno dati rispetto alle nostre attuali tecniche classiche. Tuttavia, secondo Scott Buchholz, Global Quantum Lead e CTO, Government and Public Services, Deloitte Consulting LLP, la risposta alle domande ”Quanto meno?” e ”Quanto più veloce?” cambia regolarmente a causa delle seguenti sfide con Quantum Machine Learning:
- ”In termini di hardware, i computer quantistici più potenti esistenti oggi sono ancora limitati, in particolare se confrontati con i server più potenti di oggi. Prevediamo che cambierà nei prossimi anni perché c’è molto più spazio per la tecnologia di calcolo quantistico per avanzare e crescere”.
- ”In termini di software e algoritmi, i computer quantistici funzionano in modo fondamentalmente diverso rispetto ai computer di oggi. Di conseguenza, i ricercatori stanno cercando di capire i modi migliori per mappare i problemi sui computer quantistici (e in effetti, determinare quali problemi potrebbero essere utili da risolvere sui computer quantistici). Man mano che troviamo migliori mappature generalizzate diventa più facile per gli altri portare i loro problemi ai computer quantistici”.
”Per anni, QML è stata – e continua a essere – un’area di ricerca attiva. Man mano che la maturità hardware e software migliora, è probabile che le organizzazioni inizino a valutare l’uso di QML nei carichi di lavoro di produzione”, ha continuato Buchholz. ”Dal momento che siamo ancora lontani alcuni anni dall’avere una macchina in grado di eseguire carichi di lavoro QML di produzione, stiamo continuando a far progredire lo stato dell’arte nel QML mentre l’hardware continua a migliorare. Ma prevedo progressi incrementali del QML per tutto il 2023, ovvero continuare a migliorare le tecniche per scalare il volume, caricare i dati ed eseguire modelli”.
