Esplorare i limiti dell’apprendimento automatico quantistico
Recenti ricerche hanno dimostrato che il Quantum Machine Learning non può essere utilizzato per indagare su processi come Quantum Chaos e terminalizzazione.
Le tecnologie quantistiche possono migliorare gli algoritmi di apprendimento. Questo è noto come apprendimento automatico potenziato dai quanti. L’applicazione più comune dei computer quantistici nel campo si riferisce agli algoritmi di apprendimento automatico per l’analisi dei dati che non potrebbero essere eseguiti attraverso l’informatica classica.
Il Quantum Machine Learning aumenta la velocità di calcolo e può gestire l’archiviazione dei dati eseguita da algoritmi in un programma . Estende la prova dell’apprendimento eseguendo algoritmi di apprendimento automatico su nuovi dispositivi di calcolo: computer quantistici. L’elaborazione delle informazioni dipende dalla fisica quantistica e dalla sua legge, sostanzialmente diversa dai modelli informatici.
Tuttavia, il campo del Quantum Machine Learning, giustamente, opera ancora nei regni della scienza più vicini alla finzione. I limiti sono palpabili.
Recenti ricerche presso il Los Alamos National Laboratory hanno dimostrato che il Quantum Machine Learning non può essere utilizzato per indagare su processi come Quantum Chaos e terminalizzazione. Ciò pone un grande limite all’apprendimento di qualsiasi nuovo processo ad esso collegato attraverso il calcolo quantistico. Lo studio si basava su un esperimento mentale Hayden-Preskill. Un personaggio fittizio Alice lancia il suo libro all’interno del buco nero.
Il libro è stato tirato fuori da Bob, che ha usato l’entanglement per estrarlo. Attraverso qualsiasi calcolo è impossibile riportare il libro al suo stato originale. Sebbene il libro sia stato estratto utilizzando algoritmi di calcolo quantistico, le informazioni sono state criptate e nessun modello di apprendimento automatico quantistico ha potuto decodificare il libro al suo stato originale. La ricerca ha anche scoperto che Bob può decodificare il libro raccogliendo alcuni fotoni dal buco nero e apprendendo le sue dinamiche, ma la risposta non può essere raggiunta attraverso il Quantum Machine Learning .
La dimensione del sistema determina la scalabilità e la difficoltà nella risoluzione dei problemi aumenta esponenzialmente quando il problema è complesso o i dati sono grandi. La ricerca dimostra che sebbene l’informatica quantistica sia la soluzione ai problemi, ha i suoi limiti e le sue sfide a causa della sua dipendenza dalla fisica grezza e dalla natura non avanzata di altre tecnologie che aiutano nello sviluppo hardware e software dei computer quantistici su cui è possibile creare algoritmi complessi e corri.
Limitazioni hardware
La sfida frequente che preoccupa i ricercatori è l’isolamento. La decoerenza quantistica può essere causata dal calore e dalla luce, quando sottoposti a tali condizioni i qubit possono perdere le loro proprietà quantistiche come l’entanglement che porta ulteriormente a una perdita di dati memorizzati in questi qubit. In secondo luogo, le rotazioni nelle porte logiche dei computer quantistici sono soggette a errori e sono anche cruciali per modificare lo stato del qubit. Qualsiasi rotazione errata può causare un errore nell’output. Il requisito di computer con una maggiore lunghezza del circuito e correzione degli errori (con ridondanza per ogni qubit) è cruciale anche per il campo dell’apprendimento automatico quantistico.
Limitazioni del software
Lo sviluppatore di algoritmi per computer quantistici deve preoccuparsi della loro fisica. Mentre un algoritmo classico può essere sviluppato lungo le linee della macchina di Turing, per sviluppare un algoritmo per computer quantistici, lo sviluppatore deve basarlo sulle linee della fisica grezza senza formule semplici che lo colleghino alla logica.
Il problema critico in un progetto di questo tipo è sempre la scalabilità. Progettare un programma per operare su dati più grandi con più potenza di elaborazione. Sono disponibili pochissime informazioni per sviluppare tali algoritmi per il calcolo quantistico. La maggior parte dello sviluppo è quindi intuitiva. Gli algoritmi quantistici più conosciuti soffrono di una condizione di simulazioni specifiche che ne limitano l’applicabilità pratica e diventa difficile sviluppare modelli che possono avere un impatto significativo sull’apprendimento automatico. La terza limitazione nell’informatica quantistica è che il numero di qubit che si possono avere su un cerchio quantistico è limitato. Sebbene queste limitazioni siano applicabili all’informatica quantistica in generale, l’aumento di campi come l’apprendimento automatico può catturare più occhi e spingere il campo nella giusta direzione.
