Vai al contenuto
  • Perché noi
    • Docenti DLI
  • Studenti
  • Aziende
  • Tutorial
  • Workshop
  • Corsi
  • Il Mio Account
  • Perché noi
    • Docenti DLI
  • Studenti
  • Aziende
  • Tutorial
  • Workshop
  • Corsi
  • Il Mio Account
0,00 € 0 Carrello
0,00 € 0 Carrello

Computazione Ibrida e Reti Neurali Quantistiche

Autore: Antonio Macaluso

L’informatica quantistica (QC) è potenzialmente in grado di fornire soluzioni per problemi impossibili da risolvere anche per i più potenti supercomputer (classici) al mondo.  In particolare, il QC è in grado di sfruttare alcune delle proprietà tipiche della meccanica quantistica, come la superposition e l’entanglement, per ottenere ciò che viene definito come parallelismo quantistico.

Tuttavia, queste proprietà non sono applicabili a qualunque problema pratico e i limiti tecnologici degli attuali computer quantistici circoscrivono gli ambiti di applicazione nei quali esso può avere un impatto significativo.

Negli ultimi anni, diversi approcci ibridi sono stati proposti in letteratura, essi combinano architetture di calcolo sia classiche che quantistiche al fine di sfruttare i vantaggi di entrambe.

Una famiglia di algoritmi che sfrutta la computazione ibrida riguarda problemi legati al Quantum Machine Learning, nei quali per risolvere un problema tipico del Machine Learning (classificazione, regressione, etc.) si utilizzano circuiti quantistici che basandosi su un set di parametri possono essere ottimizzati per risolvere uno specifico task di interesse.

 

 

Nell’approccio ibrido, i dati  x, sono inizialmente pre-elaborati in modo classico per determinare lo stato quantistico di input |x⟩.

L’hardware quantistico, quindi, prepara lo stato |x⟩ e applica U(x;θ) con parametri inizializzati casualmente.

Dopo multiple esecuzioni di U(x;θ)  il computer classico post-elabora i risultati dell’algoritmo quantistico e genera una previsione f(x;θ).

Infine, i parametri del circuito vengono aggiornati in modo iterativo e l’intero ciclo viene eseguito più volte in un processo continuo tra l’hardware classico e quello quantistico.

È interessante notare che la prima dimostrazione pratica del vantaggio quantistico sui supercomputer classici è legata proprio agli algoritmi ibridi. 

I punti di forza di questo approccio sono molteplici. Da un lato, la possibilità di apprendere i parametri di un algoritmo quantistico consente l’adattamento dell’architettura ai diversi casi d’uso. D’altra parte, la capacità di alternare algoritmi di ottimizzazione classica con procedure quantistiche consente di limitare l’utilizzo delle risorse quantistiche e sfruttare pienamente anche i pochi qubit (l’unità di informazione base dei computer quantistici) disponibili negli attuali computer quantistici. Inoltre, gli algoritmi quantistici che risolvono problemi di Machine Learning, hanno il vantaggio di richiedere meno parametri rispetto alle alternative classiche.

Esistono diversi esempi di applicazione che fanno uso di algoritmi ibridi per risolvere problemi supervisionati. Per maggiori informazioni sugli algoritmi quantistici e su come sia possibile implementarli utilizzando il linguaggio di programmazione python si rimanda al framework qiskit che consente di eseguire un algoritmo quantistico sia utilizzando un simulatore, che su un vero computer quantistico attraverso la IBM Quantum Experience.

 

Quantum Neural Networks

Uno degli approcci più promettenti in ambito quantum computing che sfrutta la computazione ibrida sopra descritta consiste nel definire la versione quantistica delle Reti Neurali. Questi algoritmi prendono il nome di Reti Neurali Quantistiche (Quantum Neural Networks – QNN). In particolare, le QNN sono circuiti quantistici che imitano la struttura delle reti neurali classiche, estendendole con potenti proprietà quantistiche. 

Tuttavia, mentre la letteratura delle Reti Neurali classiche è stata ampiamente investigata, la potenza delle QNN risulta essere ancora sconosciuta, essendo il quantum computing un argomento nel quale soltanto negli ultimi anni ricercatori e aziende stanno investendo tempo e risorse.

Di recente, un risultato nell’ambito delle QNN riguarda il lavoro proposto da (Abbas, et al., 2020) in cui è stato dimostrato come le QNN siano in grado di raggiungere una effective dimension [1] significativamente migliore rispetto alle reti neurali classiche.  Inoltre, lo stesso lavoro dimostra che le reti neurali quantistiche sono più resilienti della controparte classica rispetto per il problema del vanishing gradient (Hochreiter, 1998) e che quindi, dal punto di viste teorico, il training dei modelli quantistici risulta essere più veloce ed efficiente. 

Per saperne di più ecco il nostro corso in e-learning sul Quantum Computing

 

Bibliografia

 [1] La effective dimension è una misura che dipende dalla dimensione dei dati e dal modello statistico (o di ML) in uso. Essa fornisce una stima reale della dimensione dello spazio dei parametri, dato un numero finito di dati di training (Berezniuk & al, 2020).

Abbas, A., Sutter, D., Zoufal, C., Lucchi, A., Figalli, A., & Woerner, S. (2020). The power of quantum neural networks. https://arxiv.org/abs/2011.00027.

Berezniuk, O., & al, e. (2020). scale-dependent notion of effective dimension. arXiv preprint arXiv:2001.10872.

Hochreiter, S. (1998). The vanishing gradient problem during learning recurrent neural nets and problem solutions. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems 6.02 (1998): 107-116.

Macaluso, A., Clissa, L., Lodi, S., & Sartori, C. (2020). A Variational Algorithm for Quantum Neural Networks. International Conference on Computational Science (pp. 591-604). Springer, Cham.

 
Facebook Instagram Twitter Github Linkedin

DEEP LEARNING ITALIA SRL

P.Iva: 12305680964

Via Boccaccio 20, 20123 Milano

Studenti

  • E-learning
  • Workshop
  • Job placement

Aziende

  • E-learning
  • Workshop
  • Job placement

Inizia con noi

  • Corsi
  • Tutorials

DLI

  • Perché noi
  • Docenti
  • Meet up
  • Informazioni
  • Supporto
  • GDPR

Follow Us

Facebook Instagram Twitter Github Linkedin

Copyright@DLI2022

Termini e condizioni

Utilizziamo i cookie sul nostro sito Web per offrirti l'esperienza migliore ricordando le tue preferenze. Cliccando su "Accetta tutto", acconsenti all'uso di TUTTI i cookie. Tuttavia, puoi visitare "Impostazioni cookie" per fornire un consenso controllato.
Cookie SettingsAccettoRifiuta tutti
Manage consent

Privacy Overview

This website uses cookies to improve your experience while you navigate through the website. Out of these, the cookies that are categorized as necessary are stored on your browser as they are essential for the working of basic functionalities of the website. We also use third-party cookies that help us analyze and understand how you use this website. These cookies will be stored in your browser only with your consent. You also have the option to opt-out of these cookies. But opting out of some of these cookies may affect your browsing experience.
Necessary
Sempre abilitato
Necessary cookies are absolutely essential for the website to function properly. These cookies ensure basic functionalities and security features of the website, anonymously.
CookieDurataDescrizione
cookielawinfo-checkbox-analytics11 monthsThis cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Analytics".
cookielawinfo-checkbox-functional11 monthsThe cookie is set by GDPR cookie consent to record the user consent for the cookies in the category "Functional".
cookielawinfo-checkbox-necessary11 monthsThis cookie is set by GDPR Cookie Consent plugin. The cookies is used to store the user consent for the cookies in the category "Necessary".
cookielawinfo-checkbox-others11 monthsThis cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Other.
cookielawinfo-checkbox-performance11 monthsThis cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Performance".
viewed_cookie_policy11 monthsThe cookie is set by the GDPR Cookie Consent plugin and is used to store whether or not user has consented to the use of cookies. It does not store any personal data.
Functional
Functional cookies help to perform certain functionalities like sharing the content of the website on social media platforms, collect feedbacks, and other third-party features.
Performance
Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.
Analytics
Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics the number of visitors, bounce rate, traffic source, etc.
Advertisement
Advertisement cookies are used to provide visitors with relevant ads and marketing campaigns. These cookies track visitors across websites and collect information to provide customized ads.
Others
Other uncategorized cookies are those that are being analyzed and have not been classified into a category as yet.
ACCETTA E SALVA
Scroll to Top

Popular Keywords

Categories

No Record Found

View All Results
  • Perché noi
  • Docenti
  • Studenti
  • Azienda
  • Tutorial
  • Workshop
  • Corsi
  • Il Mio Account
  • Perché noi
  • Docenti
  • Studenti
  • Azienda
  • Tutorial
  • Workshop
  • Corsi
  • Il Mio Account
0