L’apprendimento automatico quantistico (QML) è pronto a fare un salto nel 2023
Gli algoritmi classici di machine learning (ML) si sono dimostrati strumenti potenti per un’ampia gamma di attività, tra cui il riconoscimento di immagini e parole, 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 livelli elevati di accuratezza e precisione.
Ottimizzazione delle strategie di sicurezza durante una grave carenza di talenti
QML combina la potenza del calcolo quantistico con le capacità predittive di 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 mantengono la promessa di fornire accelerazioni esponenziali rispetto ai loro classici controparti per determinate attività, 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 .
QML contro l’apprendimento automatico classico
Zohra Ladha , direttore senior, data science e AI di Tredence, afferma che QML differisce dal machine learning 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. Quando si elaborano grandi quantità di dati, come immagini o discorsi, 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 consentirgli 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 di correlare i sistemi quantistici 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 tradizionali di apprendimento automatico, che si basano su tecniche di calcolo classiche e mancano di queste capacità quantistiche, possono essere più lenti o meno accurati in alcuni casi.
Il viaggio QML: dalla ricerca al mondo reale
La ricerca sull’apprendimento automatico quantistico è iniziata negli anni ’80. Alla fine degli anni ’90 e all’inizio degli anni 2000 i ricercatori hanno sviluppato reti neurali quantistiche per dimostrare il potenziale dei sistemi quantistici per l’apprendimento automatico che possono essere addestrati per riconoscere i modelli nei dati. Da allora queste reti sono state applicate a un’ampia 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 ricottura quantistica . Entro il 2020, QML ha iniziato ad essere ampiamente adottato in applicazioni tra cui il riconoscimento di modelli, l’elaborazione e l’ottimizzazione del linguaggio naturale.
Oggi, una delle applicazioni più promettenti di QML è la scoperta di farmaci. I tradizionali processi di scoperta di farmaci possono essere lenti, costosi e incoerenti. QML ha il potenziale per accelerare il processo. “Dopo il nostro successo iniziale nel trovare una molecola terapeutica per il COVID- 19 , volevamo ampliare lo spazio per generare ora molecole più piccole”, ha affermato Nikhil Malhotra, responsabile globale, Makers Lab presso Tech Mahindra. “Quantum GAN o la generazione ibrida di GAN è qualcosa che stiamo provando per piccole molecole. Questo, credo, farebbe avanzare in modo significativo 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 svolgere attività come la determinazione del prezzo delle attività, la previsione della volatilità, la previsione dell’esito di opzioni esotiche, il rilevamento di frodi, la selezione di azioni, la selezione di hedge fund, il trading algoritmico, il market making, la finanza previsioni, contabilità e auditing e valutazione del rischio molto più veloci e accurati rispetto agli algoritmi classici.
La promessa del 2023 dell’apprendimento automatico quantistico
“QML è un campo entusiasmante e in rapido sviluppo che ha il potenziale per avere un impatto significativo su un’ampia gamma di settori e applicazioni”, ha affermato 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 parlato, 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 giovare alla finanza e alla 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 un apprendimento rafforzato sui circuiti quantistici. Prevedo che la tendenza crescerà nel 2023″, ha affermato.
Le sfide del machine learning quantistico rimangono
QML è un grosso problema a causa della sua promessa. Le prove suggeriscono che i modelli di apprendimento automatico possono essere addestrati per una maggiore precisione con meno dati rispetto a quanto possibile con le nostre attuali tecniche classiche. Tuttavia, secondo Scott Buchholz , global quantum lead e CTO, governo e servizi pubblici, Deloitte Consulting LLP, la risposta alle domande: “Quanto meno?” e “Quanto più veloce?” cambia regolarmente a causa delle seguenti sfide con QML:
“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 l’avanzamento e la crescita della tecnologia di calcolo quantistico.
“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 arriviamo a mappature generalizzate migliori, diventa più facile per gli altri “portare i loro problemi” ai computer quantistici.
“Per anni, QML è stato – e continua ad essere – un’area di ricerca attiva. Man mano che la maturità dell’hardware e del software migliora, è probabile che le organizzazioni inizino a valutare l’uso di QML nei carichi di lavoro di produzione”, ha proseguito Buchholz. “Poiché mancano ancora alcuni anni all’avere una macchina in grado di eseguire carichi di lavoro QML di produzione, stiamo continuando a migliorare lo stato dell’arte in QML mentre l’hardware continua a migliorare. Ma prevedo progressi incrementali di QML per tutto il 2023, ovvero continuare a migliorare le tecniche per ridimensionare il volume, caricare dati ed eseguire modelli.
