Dai bit ai qubit: come l'ottimizzazione quantistica sta trasformando l'AI

La maggior parte dei sistemi di AI all'avanguardia, da un'auto a guida autonoma a un modello per la previsione dei titoli azionari, compie costantemente compromessi mentre si adatta, si perfeziona e apprende dall'esperienza. Alla base di queste decisioni c'è uno dei processi più importanti nell'AI: l'ottimizzazione.

Ad esempio, un modello di AI addestrato a riconoscere i segnali stradali o a prevedere i prezzi delle case apprende dagli esempi. Durante l'addestramento, migliora continuamente il proprio modo di apprendere. Ogni passaggio modifica milioni di parametri, perfezionando pesi e bias per ridurre gli errori di previsione e migliorare l'accuratezza.

Puoi considerare questo processo come un problema di ottimizzazione su larga scala. L'obiettivo è trovare la combinazione migliore di parametri, in grado di fornire risultati accurati senza causare overfitting o sprecare risorse computazionali.

In effetti, l'ottimizzazione è una componente fondamentale dell'intelligenza artificiale. Che un modello di AI stia identificando un'immagine o prevedendo un prezzo, deve cercare la soluzione più efficace tra innumerevoli possibilità. Tuttavia, con la crescita dei modelli e dei dataset, questa ricerca diventa sempre più complessa e costosa dal punto di vista computazionale.

L'ottimizzazione quantistica è un approccio emergente che potrebbe contribuire a risolvere questa sfida. Si basa sul calcolo quantistico, che utilizza i principi della meccanica quantistica per elaborare le informazioni in modi nuovi.

A differenza dei bit, che possono assumere solo il valore 0 o 1, i computer quantistici utilizzano qubit che possono esistere contemporaneamente in più stati. Questo permette loro di esplorare molte soluzioni possibili in parallelo, risolvendo in alcuni casi problemi di ottimizzazione complessi in modo più efficiente dei metodi classici.

Tuttavia, il parallelismo quantistico non equivale a eseguire contemporaneamente molti processori classici. È un processo probabilistico che dipende dall'interferenza quantistica per produrre risultati utili.

In parole semplici, ciò significa che i computer quantistici non verificano tutte le possibilità nello stesso momento. Utilizzano invece l'interferenza, secondo cui alcune possibilità si rafforzano a vicenda mentre altre si annullano, per aumentare le probabilità di trovare la risposta corretta.

In questo articolo vedremo come funziona l'ottimizzazione quantistica, perché è importante e cosa potrebbe significare per il futuro dell'informatica intelligente. Iniziamo!

Che cos'è l'ottimizzazione quantistica?#

L'ottimizzazione quantistica è un campo in espansione del calcolo quantistico che si concentra sulla risoluzione di problemi di ottimizzazione complessi sfruttando le proprietà uniche della meccanica quantistica. Si basa su decenni di ricerca nell'informatica e nella fisica, combinandoli per affrontare sfide con cui il calcolo tradizionale fatica a confrontarsi.

L'idea di utilizzare i sistemi quantistici per l'ottimizzazione è emersa per la prima volta alla fine degli anni '90, quando i ricercatori hanno iniziato a esplorare come principi quantistici quali la sovrapposizione (stati simultanei) e l'entanglement (qubit collegati) potessero essere applicati alla risoluzione dei problemi.

Nel tempo, questa idea si è evoluta nell'ottimizzazione quantistica, con lo sviluppo di algoritmi che utilizzano gli effetti quantistici per cercare in modo efficiente soluzioni ottimali in spazi di problemi ampi e complessi.

Le basi dell'ottimizzazione quantistica#

Alla base, l'ottimizzazione quantistica si fonda su tre componenti essenziali: algoritmi quantistici, qubit e circuiti quantistici. Gli algoritmi quantistici forniscono la logica che consente di esplorare in modo efficiente grandi insiemi di soluzioni possibili.

Questi algoritmi operano sui qubit, le unità fondamentali dell'informazione quantistica, che differiscono dai bit classici (le unità binarie dei dati nei computer tradizionali, capaci di contenere un valore pari a 0 o 1) perché possono esistere in uno stato di sovrapposizione, rappresentando contemporaneamente 0 e 1.

Fig. 1. Che cos'è un qubit? (Fonte: ResearchGate)

Questa proprietà unica permette ai sistemi quantistici di valutare simultaneamente più possibilità, ampliandone notevolmente il potenziale computazionale. Nel frattempo, i circuiti quantistici collegano i qubit attraverso sequenze di porte quantistiche, che controllano il flusso e l'interazione delle informazioni per guidare gradualmente il sistema verso una soluzione quasi ottimale.

Ottimizzazione classica e quantistica#

Ecco alcune differenze fondamentali tra gli approcci di ottimizzazione classici e quantistici:

• Stile di calcolo: gli algoritmi classici verificano una soluzione alla volta. Gli algoritmi quantistici possono considerare molte possibilità contemporaneamente, sfruttando le proprietà uniche della fisica quantistica.
• Potenza di elaborazione: i computer classici utilizzano bit che valgono 0 oppure 1. I computer quantistici usano qubit, che possono valere sia 0 sia 1 contemporaneamente ed essere collegati tra loro, permettendo di gestire problemi più complessi.
• Dimensione del problema: l'ottimizzazione classica funziona bene per problemi più piccoli o moderatamente complessi. L'ottimizzazione quantistica viene sviluppata per affrontare problemi molto più grandi e complicati, difficili da gestire per i computer odierni.
• Risultato: i risultati classici sono prevedibili e ripetibili. I risultati quantistici si basano sulle probabilità, quindi la stessa attività può produrre risultati leggermente diversi, che vengono perfezionati attraverso più esecuzioni per trovare la risposta migliore.

Fig. 2. Ottimizzazione classica e quantistica (immagine dell'autore)

Come funziona l'ottimizzazione quantistica#

Vediamo ora come funziona concretamente l'ottimizzazione quantistica. Tutto inizia dalla definizione di un problema del mondo reale e dalla sua traduzione in una forma elaborabile da un computer quantistico.

Ecco una panoramica dei passaggi principali dell'ottimizzazione quantistica:

• Passaggio 1: formulare il problema come un paesaggio energetico: ogni problema di ottimizzazione, come la pianificazione dei percorsi di consegna o la regolazione dei modelli di machine learning, può essere descritto come un paesaggio di livelli energetici. Ogni risposta possibile ha un valore energetico e l'obiettivo è trovare quello più basso, che rappresenta la soluzione più efficiente o ottimale.

• Passaggio 2: codificare il problema in un circuito quantistico: il problema viene quindi convertito in un circuito quantistico. Qui, i qubit (bit quantistici) rappresentano i dati e possono esplorare molte soluzioni contemporaneamente attraverso la sovrapposizione.

• Passaggio 3: guidare il sistema verso la soluzione migliore: il computer quantistico modifica quindi i qubit passo dopo passo, permettendo al sistema di muoversi verso la soluzione con l'energia più bassa, ovvero la migliore. Questo processo è noto come quantum annealing o evoluzione adiabatica, a seconda del metodo utilizzato. Aiuta il sistema a stabilizzarsi nello stato più promettente.

• Passaggio 4: misurare e interpretare i risultati: quando il sistema si stabilizza, i qubit vengono misurati, producendo una soluzione approssimata. Spesso si eseguono più prove per misurare la qualità della soluzione e confermare l'affidabilità.

• Passaggio 5: combinare il calcolo classico per il perfezionamento: infine, i computer classici vengono reinseriti nel processo. Analizzano e perfezionano i risultati delle esecuzioni quantistiche per migliorare l'accuratezza. Questo approccio ibrido, utilizzato in metodi come QAOA (Algoritmo di ottimizzazione quantistica approssimata) e VQE (Risolutore variazionale degli autovalori quantistici), combina i punti di forza dei sistemi classici e quantistici per ottenere prestazioni complessivamente migliori.

Principali algoritmi di ottimizzazione quantistica#

Grazie ai recenti progressi nel calcolo quantistico, i ricercatori hanno sviluppato diversi algoritmi di ottimizzazione quantistica, progettati per risolvere i problemi complessi in modo più efficiente. Questi approcci stanno plasmando il futuro del settore. Vediamo alcuni dei principali.

Quantum annealing#

Il quantum annealing è una tecnica utilizzata per risolvere problemi di ottimizzazione che richiedono di trovare la disposizione o la combinazione migliore tra molte possibilità. Sono chiamati problemi di ottimizzazione combinatoria, come la pianificazione delle consegne, l'instradamento dei veicoli o il raggruppamento di punti dati simili.

Il metodo si ispira a un processo fisico noto come ricottura, in cui un materiale viene raffreddato lentamente per raggiungere uno stato stabile a bassa energia. In modo analogo, il quantum annealing guida gradualmente un sistema quantistico verso il suo stato di energia più bassa, che rappresenta la migliore soluzione possibile al problema.

Questo processo, basato sui principi del calcolo quantistico adiabatico, consente al sistema di esplorare molte soluzioni potenziali e stabilizzarsi in una vicina a quella ottimale. Poiché i risultati sono probabilistici, il processo viene solitamente ripetuto più volte e spesso il calcolo classico viene utilizzato in seguito per perfezionare le risposte.

Il quantum annealing mostra un potenziale per risolvere problemi di ottimizzazione del mondo reale in ambiti come la logistica, il clustering e l'allocazione delle risorse. Tuttavia, i ricercatori stanno ancora studiando quando e come potrebbe offrire prestazioni migliori rispetto ai metodi tradizionali.

Fig. 3. Comprendere il quantum annealing (Fonte: ResearchGate)

Algoritmo di ottimizzazione quantistica approssimata (QAOA)#

L'Algoritmo di ottimizzazione quantistica approssimata (QAOA) gestisce anch'esso problemi di ottimizzazione combinatoria, ma in modo diverso dal quantum annealing. Anziché evolvere gradualmente verso lo stato di energia più bassa, QAOA alterna due funzioni energetiche, chiamate Hamiltoniane.

Una rappresenta l'obiettivo e i vincoli del problema, mentre l'altra aiuta il sistema a esplorare nuove configurazioni. Passando da una fase all'altra, l'algoritmo si avvicina gradualmente a una soluzione quasi ottimale.

QAOA viene eseguito su sistemi ibridi quantistici e classici, in cui il computer quantistico genera possibili soluzioni e un computer classico modifica i parametri dopo ogni esecuzione. Questo approccio rende QAOA uno strumento flessibile per numerose attività di ottimizzazione, tra cui la pianificazione, l'instradamento e problemi sui grafi come MaxCut (trovare il modo migliore per dividere una rete in due parti) e il vertex cover (selezionare il più piccolo insieme di nodi connessi a ogni arco di una rete). Sebbene la ricerca sia ancora in corso, QAOA è ampiamente considerato un passo promettente verso la combinazione dell'ottimizzazione classica e quantistica.

Risolutore variazionale degli autovalori quantistici (VQE)#

Un altro algoritmo importante è il Risolutore variazionale degli autovalori quantistici (VQE). A differenza di QAOA e del quantum annealing, che gestiscono problemi di ottimizzazione combinatoria con scelte discrete, VQE si concentra sull'ottimizzazione continua, in cui le variabili possono assumere un intervallo di valori invece di opzioni fisse.

Viene utilizzato principalmente per stimare lo stato fondamentale, ovvero l'energia minima possibile, di un sistema quantistico. Questo lo rende particolarmente utile per studiare il comportamento di molecole e materiali in fisica e chimica.

VQE utilizza inoltre un approccio ibrido che combina il calcolo quantistico e classico. Il computer quantistico prepara e verifica possibili stati, mentre il computer classico analizza i risultati e modifica i parametri per migliorare l'accuratezza.

Poiché richiede meno qubit e circuiti più semplici, VQE offre buone prestazioni sui dispositivi NISQ (Quantistico rumoroso di scala intermedia) attuali. Si tratta della generazione odierna di computer quantistici, che dispone di un numero limitato di qubit ed è soggetta al rumore, ma è comunque abbastanza potente per la ricerca e i primi esperimenti pratici.

VQE è diventato uno strumento essenziale nella chimica quantistica, nella scienza dei materiali e nell'ottimizzazione dei processi. Aiuta i ricercatori a modellare le molecole, studiare le reazioni e trovare configurazioni stabili.

Fig. 4. Uno sguardo al Risolutore variazionale degli autovalori quantistici (Fonte: ResearchGate)

Programmazione semidefinita quantistica#

La programmazione semidefinita (SDP) è un metodo matematico utilizzato per risolvere problemi di ottimizzazione che includono relazioni lineari tra variabili. Viene spesso applicata quando l'obiettivo è trovare il miglior risultato possibile mantenendo determinate condizioni entro un intervallo valido.

Gli algoritmi quantistici SDP mirano a rendere più veloci questi calcoli, soprattutto quando i dati coinvolgono molte variabili o spazi complessi ad alta dimensionalità. Utilizzano i principi del calcolo quantistico per analizzare più possibilità contemporaneamente, rendendo potenzialmente più efficiente la risoluzione di problemi su larga scala.

Questi algoritmi vengono studiati in campi come il machine learning, l'elaborazione dei segnali e i sistemi di controllo, dove potrebbero aiutare i modelli a riconoscere schemi, migliorare le previsioni o gestire sistemi complessi. Sebbene la ricerca sia ancora in corso, l'SDP quantistica è promettente per accelerare attività di ottimizzazione avanzate, difficili da gestire per i computer classici.

Applicazioni dell'ottimizzazione quantistica nell'AI#

Sebbene l'ottimizzazione quantistica sia un'area di ricerca attiva, sta iniziando a trovare applicazioni pratiche anche in campi come l'intelligenza artificiale e il machine learning. I ricercatori stanno esplorando come i metodi quantistici possano contribuire a risolvere problemi complessi in modo più efficiente.

Vediamo più da vicino alcuni esempi e casi d'uso emergenti che ne evidenziano il potenziale in scenari del mondo reale.

Accelerare la regolazione dei modelli di machine learning#

L'ottimizzazione quantistica viene studiata per migliorare la regolazione dei modelli di machine learning, in particolare per quanto riguarda l'ottimizzazione degli iperparametri e la selezione delle caratteristiche. I recenti progressi nei processori ad atomi neutri stanno inoltre ampliando l'ambito degli esperimenti di ottimizzazione quantistica nell'AI e nel machine learning.

Questi processori utilizzano singoli atomi mantenuti in posizione dai laser per fungere da qubit. Ciò consente ai ricercatori di costruire sistemi quantistici scalabili e stabili per testare algoritmi complessi.

Applicazioni industriali e risultati della ricerca#

Le principali aziende tecnologiche stanno già sperimentando queste idee. Ad esempio, il team di ricerca di Google ha recentemente dimostrato un vantaggio quantistico generativo, in cui un processore a 68 qubit ha imparato a generare distribuzioni complesse, suggerendo possibili applicazioni nell'addestramento di modelli generativi.

Analogamente, NVIDIA sta creando connessioni tra il calcolo quantistico e l'AI, integrando la ricerca quantistica nel proprio ecosistema di supercalcolo e GPU. Ad esempio, ha lanciato un Centro di ricerca quantistica accelerata (NVAQC) per combinare l'hardware quantistico con i sistemi di AI.

Inoltre, AWS ha sviluppato un flusso di lavoro ibrido quantistico e classico su Amazon Braket, che utilizza circuiti quantistici insieme all'ottimizzazione classica per perfezionare i parametri nelle attività di classificazione delle immagini.

Ottimizzazione nella logistica, nella pianificazione e nell'instradamento#

Uno degli ambiti più pratici per l'ottimizzazione quantistica è la logistica e la pianificazione. Queste attività comprendono la pianificazione dei percorsi, l'assegnazione dei veicoli e la distribuzione delle risorse.

Un buon esempio è la pianificazione della rete elettrica, in cui gli operatori devono bilanciare in tempo reale l'offerta e la domanda di elettricità, riducendo i costi e mantenendo l'affidabilità. I ricercatori hanno utilizzato l'ottimizzazione quantistica per rappresentare questa sfida di pianificazione come un paesaggio energetico o un'Hamiltoniana.

In questo caso, l'obiettivo è trovare lo stato di energia più bassa, che rappresenta la configurazione più efficiente. Ad esempio, i solver quantistici di D-Wave sono stati testati per problemi di questo tipo e hanno mostrato risultati più rapidi e flessibili rispetto ai metodi di ottimizzazione tradizionali.

Idee simili vengono ora studiate in ambiti come la gestione dei portafogli e la pianificazione della supply chain. Con il miglioramento dell'hardware, questi approcci potrebbero cambiare il modo in cui i sistemi di AI pianificano e prendono decisioni in presenza di vincoli del mondo reale.

AI e calcolo quantistico nella scoperta di farmaci e nella progettazione dei materiali#

L'ottimizzazione quantistica sta attirando attenzione anche negli ambiti in cui è fondamentale comprendere le interazioni molecolari complesse e i paesaggi energetici. Ad esempio, nella scoperta di farmaci e nella scienza dei materiali, trovare le strutture o configurazioni molecolari più stabili è una sfida di ottimizzazione.

Algoritmi quantistici ibridi, come VQE, vengono utilizzati per accelerare processi quali la predizione della struttura delle proteine e la ricerca della conformazione molecolare. I ricercatori stanno inoltre esplorando modi per combinare il calcolo quantistico e l'intelligenza artificiale, così da migliorare il modo in cui i modelli apprendono ed estraggono caratteristiche dai dati.

Con il continuo progresso dell'hardware quantistico, questi approcci combinati potrebbero portare a importanti svolte nella chimica, nella biologia e nella ricerca sui materiali, consentendo scoperte più rapide e simulazioni più accurate a livello molecolare.

Vantaggi e svantaggi dell'ottimizzazione quantistica#

Ecco alcuni vantaggi dell'utilizzo dell'ottimizzazione quantistica:

• Algoritmi ispirati alla meccanica quantistica: anche prima che siano disponibili computer quantistici su larga scala, i ricercatori utilizzano metodi di ottimizzazione ispirati alla meccanica quantistica su sistemi classici. Questi approcci possono offrire prestazioni più rapide per determinati tipi di problemi, imitando le strategie quantistiche.
• Hardware migliorato e solver ibridi: lo sviluppo di nuovi processori quantistici e solver ibridi basati sul cloud rende possibile combinare il calcolo quantistico e classico. Ciò consente di effettuare oggi test e sperimentazioni pratiche, anche con hardware ancora nelle prime fasi.
• Progresso della ricerca collaborativa: IBM Quantum, Qiskit e altre comunità di ricerca aperta stanno sviluppando attivamente algoritmi, toolkit e risorse didattiche che rendono l'ottimizzazione quantistica più accessibile.

Sebbene la ricerca quantistica stia avanzando rapidamente, esistono ancora alcune difficoltà che impediscono un'adozione su larga scala. Ecco alcune delle principali limitazioni da considerare:

• Limitazioni dell'hardware: i computer quantistici attuali dispongono di un numero limitato di qubit e sono altamente sensibili al rumore, alla decoerenza e agli errori operativi. Questi fattori riducono l'accuratezza e l'affidabilità dei risultati, rendendo difficile scalare i sistemi per attività di ottimizzazione complesse.
• Vincoli della simulazione classica: simulare sistemi quantistici di grandi dimensioni su computer classici è estremamente impegnativo, perché le risorse computazionali necessarie crescono esponenzialmente con il numero di qubit. Ciò rende difficile testare e convalidare algoritmi quantistici su larga scala.
• Mancanza di standard di benchmarking: la ricerca sull'ottimizzazione quantistica non dispone ancora di benchmark coerenti per confrontare le prestazioni degli algoritmi e dell'hardware. Sebbene siano in corso iniziative per creare metodi di valutazione standardizzati, non esiste ancora un quadro universale per misurare i miglioramenti delle prestazioni nel mondo reale.

Punti chiave#

L'ottimizzazione quantistica sta trasformando il nostro modo di concepire la risoluzione dei problemi nell'intelligenza artificiale, nella scienza e nell'industria. Combinando la potenza del calcolo quantistico con i metodi classici, i ricercatori stanno trovando nuovi modi per gestire la complessità e accelerare le scoperte. Con il miglioramento dell'hardware e la maturazione degli algoritmi, l'ottimizzazione quantistica potrebbe diventare un motore fondamentale della prossima generazione di tecnologie intelligenti.

Consulta il nostro repository GitHub per scoprire di più sull'AI. Unisciti alla nostra community attiva e scopri le innovazioni in settori come l'AI nel retail e la Vision AI nella produzione. Per iniziare oggi stesso con la computer vision, consulta le nostre opzioni di licenza.