Quantum Machine Learning: di cosa si tratta?

“La meccanica quantistica è quella disciplina misteriosa e confusa che

nessuno di noi capisce veramente, ma che sappiamo tuttavia come utilizzare”

(Murray Gell-Man, premio Nobel per la fisica)

Il Quantum Machine Learning (QML) è il ramo del Machine Learning che integra algoritmi quantistici all’interno dei propri modelli intelligenti. Questa disciplina ha cominciato a prendere piede nel corso dello scorso decennio e, sebbene ancora in fase germinale, apre affascinanti prospettive sul futuro dell’Intelligenza Artificiale e dell’informatica in generale. In questo articolo cercheremo di fare un po’ di luce su questa tematica, che oggi per il grande pubblico è ancora ammantata nel mistero.

Partiamo con delle definizioni di base

Per capire meglio di cosa si parla con il termine “Quantum Machine Learning” è necessario prima dare qualche definizione di base, dato il ricco glossario di termini tecnici legati a questa disciplina.

Con il sopracitato termine “algoritmi quantistici” si intende tutti quegli algoritmi progettati per essere eseguiti su un computer quantistico. Un computer quantistico (quantum computer) è invece un computer basato sull’uso di bit quantistici, mentre l’attività di sviluppo ed esecuzione di algoritmi capaci di sfruttare le capacità di tali computer è indicata col termine “quantum computing”.

Differenza tra computer e quantum computer (e un po’ di meccanica quantistica)

Ma cosa differenzia i computer classici dai loro parenti quantistici?

I computer che utilizziamo ogni giorno basano i loro calcoli sui bit, dati binari con valore 0 e 1 che possono essere immaginati come i due possibili stati di un interruttore della luce.

I computer quantistici sono invece basati sull’utilizzo di quantum bit (detti anche “qubit”) al posto dei classici bit. La differenza tra bit e qubit sta nel fatto che in un determinato momento nel tempo a bit è associato un solo valore tra 0 o 1, a un qubit sono invece associate delle probabilità che il suo valore sia 0 oppure 1.
Ciò è possibile per via del fatto che i chip dei computer quantistici si avvalgono del principio della meccanica quantistica conosciuto come “Principio di indeterminazione di Heisenberg”, formulato dal fisico e premio Nobel tedesco Werner Karl Heisenberg nel 1927.
Tale principio sancisce l’impossibilità di determinare con precisione il valore della variabile legata a un fenomeno senza osservarlo.
Fintantoché tale fenomeno non verrà osservato la variabile avrà un valore non deterministico, ovvero sarà possibile stimare solo con che probabilità tale variabile avrà un determinato valore. Per lo stesso principio osservare il fenomeno fa sì che il valore della variabile diventi deterministico, incatenando così in maniera definitiva il valore osservato alla variabile associata al fenomeno.

Un esempio molto utilizzato per spiegare meglio il principio di indeterminazione di Heisenberg è l’esperimento mentale del “Paradosso del gatto di Schrödinger”, proposto dal fisico e premio Nobel austriaco Erwin Schrödinger nel 1935: supponiamo che uno scienziato ponga un gatto dentro a una scatola sigillata munita di un meccanismo che, nell’arco di un’ora, abbia pari probabilità di scattare o meno.
Nel caso scattasse, il meccanismo rilascerebbe nella scatola un veleno che ucciderebbe il gatto; in caso contrario il gatto sopravviverebbe. Passata un’ora, lo scienziato può riaprire la scatola: finché non l’aprirà la possibilità che il gatto sia sopravvissuto è pari a quella che il gatto sia invece rimasto vittima del veleno. Fintantoché lo scienziato non aprirà la scatola per fugare il dubbio quindi si può dire che il gatto sia vivo e morto con la stessa probabilità; una volta aperta la scatola invece il risultato sarà indubbio: il gatto sarà vivo oppure no.

Ma quali sono i vantaggi del QML?

I computer quantistici, infatti, grazie al loro particolare meccanismo di funzionamento, sono capaci di adottare nel loro modello di calcolo fenomeni di meccanica quantistica come la sovrapposizione, l’entanglement e l’interferenza. La possibilità di sfruttare tali fenomeni permette ai computer quantistici di diminuire drasticamente il tempo richiesto per risolvere un algoritmo rispetto a un computer basato su modelli di calcolo tradizionali.

Il Quantum Machine Learning sfrutta quindi la capacità di calcolo superiore offerta dai computer quantistici per accelerare in primo luogo il proprio processo di addestramento. La fase di addestramento di un modello di Machine Learning classico è infatti un processo che richiede una potenza di calcolo molto elevata, nonché tempi di calcolo molto lunghi (si parla anche di settimane o mesi) per i modelli più complessi.
La capacità di un quantum computer di elaborare una quantità maggiore di dati nello stesso tempo rispetto a un computer tradizionale porterebbe quindi a un risparmio di risorse computazionali importante.

L’addestramento di un modello di QML può inoltre essere più efficace rispetto all’addestramento del modello di Machine Learning “classico” corrispondente, rendendo il modello di QML più preciso nell’associare i dati ricevuti in input con l’output desiderato.
Un modello di QML potrebbe può avere bisogno di meno dati rispetto al modello non quantistico per ottenere lo stesso livello di precisione rispetto a quest’ultimo, rendendo quindi il QML più appetibile in contesti in cui ottenere dati di input per il modello di apprendimento può risultare un processo lungo e/o difficile.

Conclusioni

In questo post abbiamo fatto un po’ di luce sul Quantum Machine Learning e sui concetti (anche e soprattutto teorici) su cui poggia, illustrando anche i vantaggi di questa tipologia di algoritmi rispetto a quelli di Machine Learning non quantistico.

È importante precisare però che questi vantaggi al momento sono ancora in fase di studio, e che ce ne potrebbero essere altri ancora da scoprire. Il ramo del QML è infatti giovane e ancora prevalentemente teorico: nei prossimi anni potremmo assistere a degli sviluppi esaltanti, e Aipertech sarà qui per illustrarveli tutti!