Il computer quantico sposa il machine learning

Si parla di Quantum Machine Learning ed è quell’area dell’informazione quantistica che combina la velocità del quantum computing con le abilità dell’autoapprendimento e dell’adattamento del machine learning e dell’intelligenza artificiale. E se già il mondo degli algoritmi corre veloce, immaginate dove andrà con un motore in grado di operare su variabili continue con un numero infinito di valori

by Depositphotos

 

Alcuni fisici hanno sviluppato un algoritmo di machine learning basato sul calcolo computazionale quantistico in grado di gestire dimensioni infinite, cioè di lavorare su variabili continue con un numero infinito di valori possibili. Il salto è epocale, dato che fino ad oggi gli algoritmi di apprendimento utilizzati mediante il calcolo quantistico hanno sempre funzionato basandosi su variabili discrete (utilizzando cioè un numero finito di valori).

A parlarne è Lisa Zyga tra le pagine del sito Phys.org riprendendo quanto pubblicato lo scorso 21 febbraio dalla rivista scientifica “Physical Review Letters” che ha pubblicato lo studio dei fisici Hoi-Kwan Lau, Raphael Pooser, George Siopsis, e Christian Weedbrook intitolato “Quantum Machine Learning over Infinite Dimensions”.

Gli scienziati sono riusciti a dimostrare, prima di tutto, ‘la potenza’ dei fotoni nell’aumentare le prestazioni di un algoritmo di machine learning (e quindi di svolgere meglio i compiti di apprendimento) su un computer quantistico, cosa che, di per sé, rappresenta già un enorme vantaggio in termini di rapidità e scalabilità delle prestazioni di calcolo rispetto ai sistemi convenzionali in uso oggi (anche rispetto ai supercomputer), peraltro ad un costo energetico minore (dato che i qubit possono immagazzinare molte più informazioni dei bit).

Ma la novità più interessante riguarda il ‘cambio di prospettiva’ di impiego degli algoritmi di machine learning: “la maggior parte degli algoritmi di quantum machine learning sviluppati fino ad oggi opera mediante ‘problemi matematici’ che utilizzano variabili discrete. Applicare il quantum machine learning ai problemi con variabili continue richiede un approccio completamente differente”, si legge nell’articolo di Lisa Zyga.

Per riuscire nell’impresa, come primo step i fisici hanno quindi dovuto sviluppare un nuovo set di tool in grado di operare con variabili continue, operazione che ha richiesto di ‘mettere in campo’ persino alcuni gate fisici per rimpiazzare i gate logici inadatti all’impiego delle variabili continue. In altre parole gli scienziati hanno dovuto modellare dei ‘building block’ specifici per gli algoritmi e studiare un nuovo metodo di calcolo per la risoluzione dei problemi mediante l’uso di un numero infinito di valori possibili.

Siamo ovviamente nell’ambito della ricerca pura e quindi lo studio è solo teorico. Purtroppo, le criticità da superare sono ancora molte, a partire dal fatto che un’applicazione reale di un simile modello matematico richiede tecnologie molto innovative, ancora oggi non mature (il quantum computing stesso, per esempio), ma come sempre accade con la ricerca teorica, da qui si parte per esplorare nuove strade.

 

Altri approfondimenti: