Uno sguardo al futuro dell’apprendimento automatico quantistico
Gli algoritmi di apprendimento automatico quantistico (QML) hanno il potenziale per risolvere alcuni tipi di problemi molto più velocemente degli algoritmi classici, ma quanto più velocemente? E quali problemi potranno risolvere? In un recente panel, un gruppo di esperti ha sottolineato il fatto che gran parte della scienza del QML è ancora sconosciuta, il che rende il momento eccitante per il settore, ma anche importante per definire le aspettative.
Questa conversazione ha avuto luogo durante il Qiskit Global Summer School Commencement, un evento digitale in diretta che ha segnato la conclusione del corso annuale di due settimane online di Qiskit. Il programma della scuola estiva di quest’anno era incentrato sul QML e l’evento di inaugurazione ha riunito un gruppo di esperti di QML per una conversazione di ampio respiro sul futuro del settore. Tra i partecipanti, Kristan Temme, ricercatore IBM, Aram Harrow, professore di fisica del MIT, Ewin Tang, informatico dell’Università di Washington, e Maria Schuld, ricercatrice senior e sviluppatrice di software presso Xanadu Quantum Technologies, moderati da Amira Abbas, organizzatrice e docente principale della Qiskit Global Summer School di quest’anno. La questione di dove e come gli algoritmi QML saranno migliori degli algoritmi classici è emersa rapidamente come tema centrale.
I ricercatori del mondo accademico e dell’industria hanno già investito notevoli risorse nella ricerca di applicazioni in cui i computer quantistici supereranno le loro controparti classiche. La tecnologia di calcolo quantistico, tuttavia, è ancora relativamente nuova e questa ricerca non ha ancora dato i suoi frutti. Il campo del QML non fa eccezione.
Al livello più elementare, il QML è un’area di ricerca che integra l’informatica quantistica con le tecniche di apprendimento automatico. Poiché i computer quantistici hanno il potenziale per risolvere rapidamente classi specifiche di problemi che potrebbero essere estremamente difficili o addirittura impossibili per i sistemi classici, i ricercatori hanno cercato a lungo di identificare le applicazioni di apprendimento automatico che potrebbero ricevere un impulso dalla potenza del calcolo quantistico.
Secondo i relatori della Qiskit Global Summer School Commencement, tuttavia, non sono ancora emerse prove concrete di una significativa accelerazione del QML. “A questo punto, direi che è un po’ difficile individuare con esattezza un’applicazione che possa essere utile”, ha detto Kristan Temme di IBM.
Esistono esempi comprovati di vantaggi quantistici rispetto all’informatica classica per problemi rilevanti nel campo dell’apprendimento automatico che non sono ancora accessibili all’hardware odierno. Per esempio, lo stesso Temme ha recentemente contribuito a sviluppare un algoritmo che si basa sulla capacità teorica dei computer quantistici di calcolare i logaritmi discreti per fornire un nuovo modo di esaminare i set di dati nei problemi di classificazione. I futuri computer quantistici potrebbero un giorno affrontare questi problemi con una velocità esponenziale rispetto ai computer classici. Ma secondo Temme, algoritmi come questi non soddisfano la definizione di vero QML. “In questo caso, si tratta più di estrarre effettivamente le caratteristiche di valore dai dati, rispetto alla parte di apprendimento vero e proprio”, ha detto Temme.
Come hanno osservato molti dei relatori, la maggior parte degli algoritmi quantistici che hanno permesso di ottenere accelerazioni esponenziali lo hanno fatto adottando approcci intelligenti a problemi altamente strutturati, cioè con obiettivi chiari, risposte verificabili e strategie ben definite per trovare le loro soluzioni. Per esempio, l’algoritmo di Shor trova i fattori primi di grandi numeri interi in modo esponenzialmente più veloce rispetto agli algoritmi classici perché la fattorizzazione è un problema ben strutturato. L’algoritmo di Shor risolve il problema seguendo molti degli stessi passaggi di un algoritmo classico, ma sfrutta le proprietà di sovrapposizione, entanglement e interferenza per trovare soluzioni nei punti in cui i computer classici hanno difficoltà.
L’apprendimento automatico, invece, di solito comporta la ricerca di modelli in dati disordinati e non strutturati. Gli algoritmi quantistici possono essere utili per i problemi non strutturati, ma finora gli incrementi di velocità che offrono sono più modesti. L’algoritmo di Grover, per esempio, è in grado di trovare un elemento o un record specifico in un database disordinato e non strutturato con un numero inferiore di passaggi rispetto a un algoritmo di ricerca classico, ma offre solo una velocità polinomiale rispetto agli approcci classici. Visti i limiti dell’hardware quantistico a breve termine e la relativa maturità degli algoritmi classici, alcuni hanno sostenuto che tali accelerazioni non dovrebbero essere l’obiettivo dei processori quantistici di prima generazione. Se siete interessati ad approfondire l’algoritmo di Gover (ma anche il Quantum Computing in generale), iscrivetevi al corso dedicato!
Tuttavia, questo non significa che l’informatica quantistica non porterà benefici significativi al campo dell’apprendimento automatico. Il professore di fisica del MIT Aram Harrow ha sottolineato che ci sono ancora molte cose che non sappiamo.
“Tempererei il nostro pessimismo con un’enorme quantità di incertezza”, ha detto Harrow. Lui e gli altri relatori hanno concordato sul fatto che il vantaggio quantistico esponenziale si trova principalmente in problemi ben strutturati, ma Harrow ha sostenuto che ciò potrebbe essere dovuto a una serie di ragioni. “Potrebbe riflettere il fatto che solo i problemi strutturati hanno accelerazioni quantistiche, oppure il fatto che gli algoritmi quantistici sono stati finora soprattutto un’impresa teorica”, ha detto.
Harrow ha poi spiegato che, fino a poco tempo fa, i ricercatori non avevano accesso a computer quantistici che consentissero loro di eseguire esperimenti e di verificare il funzionamento delle loro teorie. Ora, con l’avvento di servizi di calcolo quantistico accessibili, i ricercatori sono in grado di testare alcune di queste teorie su sistemi quantistici reali. Tuttavia, molte altre teorie non possono ancora essere sottoposte a valutazione sperimentale a causa dei limiti dell’hardware quantistico a breve termine. È possibile che un hardware migliore possa svelare nuovi progressi teorici e persino vantaggi quantistici non ancora scoperti.
L’informatico dell’Università di Washington Ewin Tang ha suggerito che potrebbe essere il momento di rivedere il modo in cui pensiamo ai vantaggi del QML. Ha sostenuto che l’accelerazione quantistica, almeno per come viene comunemente intesa, presuppone l’esistenza di una pipeline di apprendimento automatico classica che prende i dati di input classici e li trasforma in dati di output classici. In questo contesto, l’idea centrale di una velocizzazione è che un algoritmo QML possa sostituire e migliorare una parte della pipeline classica. Tuttavia, secondo Tang, questo modo di pensare ignora essenzialmente la possibilità di eseguire il proprio algoritmo QML su dati quantistici anziché classici. In questo caso, un computer quantistico potrebbe forse sbloccare un nuovo paradigma computazionale, piuttosto che tentare di migliorare i metodi classici più avanzati.
“Non c’è una nozione chiara di cosa significhi avere un aumento di velocità se i dati in ingresso sono quantistici”, ha detto Tang. “Perciò, parlando di accelerazione, stiamo assumendo un regime in cui i computer classici hanno già un vantaggio. E non sono sicuro che questo sia necessariamente l’obiettivo dell’apprendimento automatico quantistico a breve termine”.
Forse, quindi, ci sono altri obiettivi importanti oltre alla ricerca di accelerazioni nell’apprendimento automatico. Una prospettiva utile viene da Maria Schuld, ricercatrice di Xanadu Quantum Technologies.
“Mi chiedo se la domanda importante sia: Costruiamo l’infrastruttura. Costruiamo gli strumenti, i metodi e la comprensione del mix di meccanismi. Cerchiamo di essere come dei veri e propri fisici. Creiamo un modello di Ising”, uno strumento onnipresente per descrivere sistemi fisici complessi, “che generazioni di persone possano usare per affinare i loro pensieri”.
Share:
