IBM implementa l’apprendimento automatico su un processore quantistico

Gli algoritmi di apprendimento automatico sono stati eseguiti su un computer quantico da fisici di IBM.

Sebbene la dimostrazione proof-of-concept non abbia comportato attività pratiche, il team spera che il potenziamento degli algoritmi per l’esecuzione su sistemi quantici più grandi possa dare un impulso all’apprendimento automatico.

L’apprendimento della macchina è un tipo di intelligenza artificiale che coinvolge un computer che lavora. Come fare un compito analizzando un gran numero di esempi del compito svolto. Un tipico compito potrebbe essere quello di distinguere tra le fotografie di cani e gatti.

Il sistema di apprendimento automatico sarebbe “addestrato” inserendo molte immagini di cani e gatti e il sistema creerebbe un modello matematico che ha un chiaro confine tra gatti e cani. Molti algoritmi di apprendimento automatico sono “metodi del kernel“, che determinano somiglianze tra modelli.

La strategia consiste nel trasformare i dati – pixel in un’immagine digitale, ad esempio – in una rappresentazione a più dimensioni che ha confini chiari tra i tipi di classificazione.

Tutte le immagini di gatti, ad esempio, risiederebbero in una regione di questo spazio di dimensioni superiori. Mentre tutte le immagini di cani risiedono in un’altra.

Una sfida per chi usa questo metodo è che le limitazioni computazionali limitano le dimensioni della rappresentazione a dimensioni più elevate. Il che a sua volta limita il modo in cui la classificazione può essere dettagliata.

Ibm, l’importante novità sui computer quantistici

Un sistema potrebbe distinguere le orecchie appuntite di un gatto, ad esempio. Ma non essere in grado di discernere aspetti più sottili della forma del corpo di un gatto che sarebbe ovvio per un essere umano.

La risposta potrebbe essere l’uso di computer quantistici, che – almeno in principio – sono molto più efficienti dei computer convenzionali nell’esecuzione di calcoli in spazi di rappresentazione molto grandi.

A febbraio, Maria Schuld e Nathan Killoran hanno pubblicato un articolo in Physical Review Letters. Che descrive due approcci per l’utilizzo di computer quantistici in machine learning. Schuld e Killoran lavorano per Xanadu. Una società con sede a Toronto che costruisce chip ottici di calcolo quantico e progetta software per computer quantistici.

Lavorando in modo indipendente, Kristan Temme e i fisici dell’IBM hanno proposto strategie simili e li hanno implementati utilizzando un computer quantistico di base. Temme e colleghi hanno pubblicato il loro lavoro sulla rivista Nature.