Le reti neurali incontrano l’informatica quantistica
Ispirate alla struttura neurale del cervello, le reti neurali classiche sono modelli computazionali progettati per riconoscere schemi e apprendere funzioni utilizzando strati interconnessi di neuroni artificiali. Oggi vengono utilizzate con grande successo per compiti diversi come il riconoscimento e la classificazione delle immagini e del parlato, l’apprendimento automatico e l’analisi dei megadati. Lo sviluppo delle reti neurali classiche è avvenuto parallelamente all’evoluzione dell’informatica quantistica, un paradigma di calcolo avanzato che si avvale della meccanica quantistica per elaborare le informazioni utilizzando i qubit invece dei bit classici. Sebbene le due tecnologie siano state sviluppate per lo più in modo indipendente, gli scienziati hanno rapidamente individuato le potenziali sinergie. «Spinti dalla speranza di combinare le ingenti abilità di elaborazione parallela delle informazioni delle reti neurali con la velocità di calcolo promessa dall’informatica quantistica, sono stati compiuti vari tentativi di sviluppo di generalizzazioni quantomeccaniche delle reti neurali», afferma Markus Müller, professore presso il Jülich Research Centre(si apre in una nuova finestra). Tra questi tentativi si colloca il progetto QNets, finanziato dal Consiglio europeo della ricerca(si apre in una nuova finestra). Il progetto è finalizzato a definire il potenziale delle reti neurali quantistiche come percorso alternativo per ottenere un’elaborazione scalabile delle informazioni quantistiche. «Da un lato, volevamo capire concettualmente quali architetture neurali quantistiche potessero essere formulate e quali vantaggi ne derivassero per l’elaborazione delle informazioni quantistiche», aggiunge Müller, che ha coordinato il progetto. «Dall’altro lato, abbiamo cercato di individuare gli elementi costitutivi fisici per l’implementazione pratica delle reti neurali nelle piattaforme tecnologiche quantistiche all’avanguardia.»
Progressi nel campo dell’elaborazione scalabile delle informazioni quantistiche
Il progetto ha raggiunto numerosi risultati, ognuno dei quali ha fatto progredire in modo significativo il campo dell’elaborazione scalabile delle informazioni quantistiche. Ad esempio, un formalismo per la valutazione della capacità massima di archiviazione delle reti quantistiche permette di stabilire la quantità massima di informazioni che possono essere memorizzate in una rete neurale quantistica di qualsiasi dimensione. I ricercatori hanno anche esplorato le generalizzazioni quantistiche delle reti neurali di tipo autoencoder e degli automi cellulari quantistici, due strutture paradigmatiche di reti neurali classiche e di elaborazione delle informazioni. «Abbiamo dimostrato che le generalizzazioni quantistiche di questi approcci possono essere formulate in modo significativo e in modo da consentire alle reti neurali quantistiche di essere addestrate o specificamente progettate per avere capacità emergenti di correzione degli errori quantistici», spiega Müller. Un altro risultato chiave del progetto è lo sviluppo e l’implementazione di un nuovo quadro e di protocolli pratici per la correzione degli errori quantistici autonomi e privi di misura e per l’informatica quantistica nei processori quantistici di ultima generazione. «Colmando il divario tra teoria ed esperimento, abbiamo ottenuto la prima dimostrazione al mondo di informatica quantistica universale priva di misure e a prova di guasto», osserva Müller.
Evidenziare il potenziale delle reti neurali quantistiche aperte
Grazie a QNets è stato possibile evidenziare il potenziale delle reti neurali quantistiche aperte come percorso alternativo verso l’elaborazione scalabile delle informazioni quantistiche, fornendo risultati teorici di prova di principio e dimostrando la fattibilità delle nuove idee sviluppate. «Abbiamo gettato le basi per approfondire l’analisi delle reti neurali quantistiche e l’elaborazione delle informazioni quantistiche senza misura ed è entusiasmante poter vedere quali approcci troveranno applicazione nei futuri computer quantistici scalabili», conclude Müller.
