Dai bit ai qubit: come l’ottimizzazione quantistica sta trasformando l’IA

La maggior parte dei moderni sistemi di IA, dalle auto a guida autonoma ai modelli per prevedere l’andamento dei titoli azionari, compie continuamente compromessi mentre si adatta, si perfeziona e apprende dall’esperienza. Alla base di queste decisioni c’è uno dei processi più importanti dell’IA: l’ottimizzazione.

Per esempio, un modello AI addestrato a riconoscere i segnali stradali o a prevedere i prezzi delle case apprende dagli esempi. Durante l'addestramento, migliora continuamente il modo in cui apprende. Ogni passaggio modifica milioni di parametri e affina 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 modo da ottenere risultati accurati senza incorrere in overfitting né sprecare risorse computazionali.

In effetti, l'ottimizzazione è una componente fondamentale dell'intelligenza artificiale. Che un modello AI identifichi un'immagine o preveda un prezzo, deve individuare la soluzione più efficace tra innumerevoli possibilità. Ma 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 sfrutta i principi della meccanica quantistica per elaborare le informazioni in modi nuovi.

Anziché usare bit che possono valere solo 0 o 1, i computer quantistici usano qubit, che possono trovarsi in più stati contemporaneamente. Questo permette loro di esplorare molte soluzioni possibili in parallelo e, in alcuni casi, di risolvere problemi di ottimizzazione complessi in modo più efficiente rispetto ai metodi classici.

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

In parole semplici, questo significa che i computer quantistici non verificano tutte le possibilità contemporaneamente. Usano invece l'interferenza, per cui alcune possibilità si rafforzano a vicenda e altre si annullano, aumentando così le probabilità di trovare la risposta giusta.

In questo articolo vedremo come funziona l’ottimizzazione quantistica, perché è importante e quali implicazioni potrebbe avere per il futuro dell’elaborazione intelligente.

Che cos'è l'ottimizzazione quantistica?#

L'ottimizzazione quantistica è un campo in crescita nell'ambito del calcolo quantistico, che si concentra sulla soluzione 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 che mettono in difficoltà il calcolo tradizionale.

L'idea di usare sistemi quantistici per l'ottimizzazione è emersa alla fine degli anni Novanta, quando i ricercatori hanno iniziato a esplorare come applicare alla risoluzione dei problemi principi quantistici come la sovrapposizione (stati simultanei) e l'entanglement (qubit correlati).

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

I fondamenti dell'ottimizzazione quantistica#

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

Questi algoritmi operano sui qubit, le unità fondamentali dell'informazione quantistica. A differenza dei bit classici (le unità binarie di dati dei computer tradizionali, che possono assumere il valore 0 oppure 1), i qubit possono trovarsi in uno stato di sovrapposizione, rappresentando 0 e 1 contemporaneamente.

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

Questa proprietà consente ai sistemi quantistici di rappresentare contemporaneamente molte possibilità, ampliandone notevolmente il potenziale computazionale. Nel frattempo, i circuiti quantistici collegano i qubit attraverso sequenze di porte quantistiche, che controllano il flusso e le interazioni delle informazioni per guidare gradualmente il sistema verso una soluzione quasi ottimale.

Ottimizzazione classica e quantistica a confronto#

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

• Modalità 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 usano bit che valgono 0 oppure 1. I computer quantistici usano qubit, che possono valere 0 e 1 contemporaneamente e possono essere collegati tra loro, consentendo di gestire problemi più complessi.
• Dimensioni del problema: l'ottimizzazione classica funziona bene con problemi piccoli o moderatamente complessi. L'ottimizzazione quantistica si sta sviluppando per affrontare problemi molto più grandi e complessi, difficili da risolvere con i computer odierni.
• Risultato: i risultati classici sono prevedibili e ripetibili. Quelli quantistici si basano sulle probabilità, quindi la stessa attività può produrre risultati leggermente diversi, che vengono perfezionati con più esecuzioni per trovare la risposta migliore.

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

Come funziona l'ottimizzazione quantistica#

Vediamo ora come funziona effettivamente l'ottimizzazione quantistica. Tutto inizia definendo un problema del mondo reale e traducendolo in una forma che un computer quantistico possa elaborare.

Ecco una panoramica dei passaggi principali dell'ottimizzazione quantistica:

• Passaggio 1: formulare il problema come un paesaggio energetico: ogni problema di ottimizzazione, come pianificare i percorsi di consegna o regolare i modelli di apprendimento automatico, può essere descritto come un paesaggio di livelli energetici. A ogni possibile risposta corrisponde un valore energetico; 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. In questo caso, i qubit (bit quantistici) rappresentano i dati e possono esplorare molte soluzioni contemporaneamente grazie alla sovrapposizione.
• Passaggio 3: guidare il sistema verso la soluzione migliore: il computer quantistico modifica quindi i qubit un passaggio alla volta, consentendo al sistema di avvicinarsi alla soluzione con l'energia più bassa, ovvero la migliore. A seconda del metodo utilizzato, questo processo è noto come quantum annealing o evoluzione adiabatica. Aiuta il sistema a stabilizzarsi nello stato più promettente.
• Passaggio 4: misurare e interpretare i risultati: quando il sistema si stabilizza, si misurano i qubit per ottenere una soluzione approssimata. Spesso si ripete l'esecuzione per valutare la qualità della soluzione e verificarne l'affidabilità.
• Passaggio 5: combinare il calcolo classico per perfezionare i risultati: infine, si reinseriscono nel processo i computer classici. Questi analizzano e perfezionano i risultati delle esecuzioni quantistiche per migliorare l'accuratezza. Questo approccio ibrido, usato in metodi come QAOA (algoritmo quantistico di ottimizzazione approssimata) e VQE (risolutore quantistico variazionale degli autovalori), combina i punti di forza dei sistemi classici e quantistici per migliorare le prestazioni complessive.

Principali algoritmi di ottimizzazione quantistica#

Grazie ai recenti progressi nel calcolo quantistico, i ricercatori hanno sviluppato una serie di algoritmi di ottimizzazione quantistica che mirano a risolvere problemi complessi in modo più efficiente. Questi approcci stanno plasmando il futuro del settore. Vediamone alcuni tra i principali.

Quantum annealing#

Il quantum annealing è una tecnica usata per risolvere problemi di ottimizzazione che richiedono di trovare la migliore disposizione o combinazione tra molte possibilità. Si tratta di problemi di ottimizzazione combinatoria, come pianificare le consegne, definire i percorsi dei veicoli o raggruppare punti di dati simili.

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

Questo processo, basato sui principi del calcolo quantistico adiabatico, permette al sistema di esplorare molte soluzioni potenziali e di stabilizzarsi in una soluzione quasi ottimale. Poiché i risultati sono probabilistici, il processo viene in genere ripetuto più volte; spesso, in seguito, si ricorre al calcolo classico per perfezionare le risposte.

Il quantum annealing sembra promettente 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 in che modo potrebbe superare i metodi tradizionali.

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

Algoritmo quantistico di ottimizzazione approssimata (QAOA)#

Anche l'algoritmo quantistico di ottimizzazione approssimata (QAOA) gestisce problemi di ottimizzazione combinatoria, ma lo fa in modo diverso dal quantum annealing. Invece di evolvere gradualmente verso lo stato di energia minima, 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. Alternando queste fasi, l'algoritmo si avvicina progressivamente a una soluzione quasi ottimale.

QAOA viene eseguito su sistemi quantistici e classici ibridi, 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 molte attività di ottimizzazione, tra cui la pianificazione, il calcolo dei percorsi e i 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 che collega tutti gli archi di una rete). La ricerca è ancora in corso, ma QAOA è considerato un passo promettente verso l'integrazione dell'ottimizzazione classica e quantistica.

Risolutore quantistico variazionale degli autovalori (VQE)#

Un altro algoritmo importante è il risolutore quantistico variazionale degli autovalori (VQE). A differenza di QAOA e del quantum annealing, che affrontano problemi di ottimizzazione combinatoria con scelte discrete, VQE si concentra sull'ottimizzazione continua, in cui le variabili possono assumere una gamma di valori anziché opzioni fisse.

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

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

Poiché richiede meno qubit e circuiti più semplici, VQE funziona bene sui dispositivi NISQ (quantistici rumorosi di scala intermedia) attualmente disponibili. Si tratta dell'attuale generazione 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 individuare configurazioni stabili.

Fig. 4. Uno sguardo al risolutore quantistico variazionale degli autovalori (Fonte: ResearchGate)

Programmazione semidefinita quantistica#

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

Gli algoritmi quantistici di SDP mirano ad accelerare questi calcoli, soprattutto quando i dati comprendono molte variabili o spazi complessi ad alta dimensionalità. Sfruttano i principi del calcolo quantistico per analizzare più possibilità contemporaneamente, rendendo potenzialmente più efficiente la soluzione di problemi su larga scala.

Questi algoritmi sono oggetto di studio 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. La ricerca è ancora in corso, ma la SDP quantistica sembra promettente per accelerare attività di ottimizzazione avanzate, difficili da affrontare con i computer classici.

Applicazioni dell'ottimizzazione quantistica nell'AI#

L'ottimizzazione quantistica è un settore di ricerca attivo, ma sta anche iniziando a trovare applicazioni pratiche in campi come l'intelligenza artificiale e il machine learning. I ricercatori stanno esplorando come i metodi quantistici possano aiutare a risolvere problemi complessi in modo più efficiente.

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

Accelerare l'ottimizzazione dei modelli di machine learning#

Si sta studiando l’ottimizzazione quantistica per migliorare la regolazione dei modelli di apprendimento automatico, 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 il campo degli esperimenti di ottimizzazione quantistica nell’IA e nell’apprendimento automatico.

Questi processori usano singoli atomi, mantenuti in posizione dai laser, come qubit. Questo permette 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. Per esempio, il team di ricerca di Google ha recentemente dimostrato un vantaggio quantistico generativo: un processore con 68 qubit ha imparato a generare distribuzioni complesse, suggerendo possibili applicazioni nell'addestramento di modelli generativi.

Allo stesso modo, NVIDIA sta creando collegamenti tra il calcolo quantistico e l'AI integrando la ricerca quantistica nel proprio ecosistema di supercalcolo e GPU. Per esempio, ha lanciato un centro di ricerca quantistica accelerata (NVAQC) per combinare hardware quantistico e sistemi AI.

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

Ottimizzazione nella logistica, nella pianificazione e nel calcolo dei percorsi#

La logistica e la pianificazione sono tra gli ambiti più pratici per l'ottimizzazione quantistica. 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 domanda e offerta di elettricità, riducendo i costi e mantenendo l’affidabilità del sistema. I ricercatori hanno usato l’ottimizzazione quantistica per rappresentare questa sfida di pianificazione come un paesaggio energetico o un Hamiltoniano.

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

Idee simili sono ora allo studio in ambiti come la gestione dei portafogli e la pianificazione della catena di approvvigionamento. Con il miglioramento dell'hardware, questi approcci potrebbero cambiare il modo in cui i sistemi AI pianificano e prendono decisioni rispettando i vincoli del mondo reale.

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

L'ottimizzazione quantistica sta attirando l'attenzione anche nei settori in cui è fondamentale comprendere le complesse interazioni molecolari e i paesaggi energetici. Per esempio, nella scoperta di farmaci e nella scienza dei materiali, trovare le strutture molecolari o le configurazioni più stabili è un problema di ottimizzazione.

Si stanno studiando algoritmi quantistici ibridi, come il VQE, per accelerare processi quali la previsione della struttura delle proteine e la ricerca della conformazione molecolare. I ricercatori stanno anche 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 scoperte in chimica, biologia e ricerca sui materiali, consentendo scoperte più rapide e simulazioni più accurate a livello molecolare.

Vantaggi e svantaggi dell'ottimizzazione quantistica#

Ecco alcuni vantaggi dell'ottimizzazione quantistica:

• Algoritmi ispirati alla quantistica: anche prima che siano disponibili computer quantistici su larga scala, i ricercatori usano metodi di ottimizzazione ispirati alla quantistica su sistemi classici. Questi approcci possono offrire prestazioni più elevate per specifici tipi di problemi, imitando le strategie quantistiche.
• Solver ibridi e hardware migliorati: Lo sviluppo di nuovi processori quantistici e di solver ibridi basati su cloud rende possibile combinare il calcolo quantistico e quello classico. Questo consente di condurre test e sperimentazioni pratiche già oggi, anche con hardware nelle prime fasi di sviluppo.
• Progressi nella ricerca collaborativa: IBM Quantum, Qiskit e altre comunità di ricerca open source stanno sviluppando attivamente algoritmi, toolkit e risorse didattiche che rendono l'ottimizzazione quantistica più accessibile.

Anche se la ricerca quantistica avanza rapidamente, restano alcune sfide che impediscono un'adozione su larga scala. Ecco alcuni dei principali limiti da considerare:

• Limiti hardware: i computer quantistici attuali hanno un numero limitato di qubit e sono molto 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 affrontare attività di ottimizzazione complesse.
• Vincoli della simulazione classica: Simulare sistemi quantistici di grandi dimensioni su computer classici richiede risorse notevoli, perché le risorse di calcolo necessarie crescono esponenzialmente con il numero di qubit. Questo rende difficile testare e convalidare algoritmi quantistici su larga scala.
• Assenza di standard di benchmarking: La ricerca sull'ottimizzazione quantistica non dispone ancora di benchmark coerenti per confrontare gli algoritmi e le prestazioni dell'hardware. Sebbene siano in corso iniziative per creare metodi di valutazione standardizzati, non esiste ancora un quadro di riferimento universale per misurare i miglioramenti delle prestazioni nel mondo reale.

Punti chiave#

L'ottimizzazione quantistica sta cambiando il nostro modo di pensare alla 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 fattore chiave per la prossima generazione di tecnologie intelligenti.

Dai un’occhiata al nostro repository GitHub per saperne di più sull’IA. Unisciti alla nostra vivace community e scopri le innovazioni in settori come l’IA nel commercio al dettaglio e l’IA visiva nella produzione. Per iniziare oggi stesso a lavorare con la visione artificiale, consulta le nostre opzioni di licenza.