Primi passi verso un apprendimento automatico quantistico affidabile

Chiunque raccolga funghi sa che è meglio tenere separati quelli velenosi da quelli non velenosi. ? difficile immaginare cosa accadrebbe se qualcuno mangiasse quelli velenosi. I computer sono già in grado di fornire all'uomo un utile supporto in tali "problemi di classificazione", che comportano la differenziazione tra determinati oggetti e l'assegnazione degli oggetti cercati a classi specifiche sulla base di caratteristiche. I processi intelligenti di apprendimento automatico sono in grado di riconoscere modelli o oggetti e di selezionarli automaticamente da una serie di dati, ad esempio quelli che mostrano funghi non velenosi da un database di foto.

Soprattutto con insiemi di dati molto grandi e complessi, l'apprendimento automatico può fornire risultati preziosi che gli esseri umani non sarebbero in grado di scoprire, o solo con molto più tempo. Tuttavia, anche i computer più veloci oggi disponibili raggiungono i loro limiti con alcuni compiti di calcolo. ? qui che entra in gioco la grande promessa dei computer quantistici, ovvero che un giorno saranno in grado di eseguire calcoli superveloci che i computer convenzionali non possono risolvere in tempi ragionevoli. La ragione di questa "superiorità quantistica" risiede nella fisica: i computer quantistici calcolano ed elaborano le informazioni utilizzando determinati stati e interazioni che si verificano all'interno di atomi o molecole o tra particelle elementari.

Il fatto che gli stati quantistici possano essere sovrapposti ed entangled crea una base che consente ai computer quantistici di accedere a una logica di elaborazione fondamentalmente più ricca. Ad esempio, a differenza dei computer classici, i computer quantistici non calcolano con codici binari o bit, che elaborano le informazioni solo come 0 o 1, ma con bit quantistici o qubit, che corrispondono agli stati quantistici delle particelle. La differenza fondamentale è che i qubit possono realizzare non solo uno stato - 0 o 1 - per ogni fase di calcolo, ma anche uno stato in cui entrambi sono sovrapposti. Questo tipo più generale di elaborazione dell'informazione consente a sua volta una drastica accelerazione dei calcoli per determinati problemi.

Tradurre la conoscenza classica nel mondo quantistico

Questi vantaggi in termini di velocità dell'informatica quantistica rappresentano anche un'opportunità per le applicazioni di apprendimento automatico: dopo tutto, i computer quantistici potrebbero calcolare le enormi quantità di dati che i metodi di apprendimento automatico richiedono per migliorare l'accuratezza dei loro risultati molto più velocemente dei computer classici.

Tuttavia, per sfruttare veramente il potenziale dell'informatica quantistica, i metodi classici di apprendimento automatico devono essere adattati alle peculiarità dei computer quantistici. Ad esempio, gli algoritmi, cioè le regole di calcolo matematico che descrivono come un computer classico risolve un determinato problema, devono essere formulati in modo diverso per i computer quantistici. Lo sviluppo di "algoritmi quantistici" ben funzionanti per l'apprendimento automatico non è del tutto banale, poiché ci sono ancora alcuni ostacoli da superare lungo il percorso.

Da un lato, questo ha a che fare con l'"hardware quantistico". I ricercatori dell'ETH di Zurigo sono attualmente in possesso di computer quantistici che funzionano con un massimo di 17 qubit. Tuttavia, se un giorno i computer quantistici dovessero realizzare il loro pieno potenziale, potrebbero essere necessarie migliaia o centinaia di migliaia di qubit.

Rumore quantistico - o l'inevitabilità degli errori

Una delle sfide poste dai computer quantistici è la loro suscettibilità agli errori. Gli attuali computer quantistici operano con un livello molto elevato di "rumore", come vengono chiamati in gergo tecnico gli errori o le interferenze. Per l'American Physical Society, questo rumore rappresenta "il più grande ostacolo alla scalabilità e al miglioramento delle prestazioni dei computer quantistici". Non esiste una soluzione completa per correggere o prevenire gli errori. Non è ancora stato trovato un modo per creare hardware quantistico privo di errori e i computer quantistici con 50-100 qubit sono troppo piccoli per implementare un software di correzione o un algoritmo di correzione.

In una certa misura, si deve convivere con il fatto che gli errori nell'informatica quantistica sono in linea di principio inevitabili, perché gli stati quantistici su cui si basano le specifiche fasi di calcolo possono essere distinti e quantificati solo con probabilità. Tuttavia, è possibile ottenere metodi che limitino l'entità del rumore e dell'interferenza in modo tale che i calcoli forniscano comunque risultati affidabili. Gli informatici definiscono "robusto" un metodo di calcolo che funziona in modo affidabile e in questo contesto parlano anche di "tolleranza all'errore".

Questo è esattamente ciò che il gruppo di ricerca di Ce Zhang, l'ETH Professor di informatica e membro dell'ETH AI Center, ha recentemente studiato - per così dire "accidentalmente", mentre lavorava sulla robustezza delle distribuzioni di probabilità classiche e sulla costruzione di sistemi e piattaforme migliori per l'apprendimento automatico. Insieme a Nana Liu, professoressa dell'Università Jiao Tong di Shanghai, e a Bo Li dell'Università dell'Illinois a Urbana-Champaign, ha sviluppato un nuovo approccio per specificare in modo dimostrabile, per alcuni modelli quantistici di apprendimento automatico, le condizioni di robustezza in base alle quali è garantita l'affidabilità del calcolo di un computer quantistico e la correttezza del risultato. I ricercatori hanno pubblicato il loro approccio, uno dei primi del suo genere, sulla rivista scientifica "npj Quantum Information".

Armati contro errori e hacker

"Quando ci siamo resi conto che gli algoritmi quantistici, come quelli classici, sono suscettibili di errori e disturbi, ci siamo chiesti come potevamo mitigare queste fonti di errore e disturbi per alcuni compiti di apprendimento automatico e garantire la robustezza e l'affidabilità del metodo scelto", afferma Zhikuan Zhikuan."Ci siamo chiesti come possiamo ridurre al minimo queste fonti di errore e di disturbo per alcuni compiti di apprendimento automatico e garantire la robustezza e l'affidabilità del metodo scelto", dice Zhikuan Zhao, ricercatore post-dottorando nel gruppo di Ce Zhang, "Se lo sappiamo, possiamo fidarci dei risultati computazionali, anche se sono rumorosi"."

I ricercatori hanno analizzato la questione utilizzando l'esempio degli algoritmi di classificazione quantistica: dopo tutto, gli errori nei compiti di classificazione sono delicati, poiché possono avere un impatto sul mondo reale, ad esempio se i funghi velenosi fossero classificati come non velenosi. Forse l'aspetto più importante è che, ispirandosi a precedenti lavori di altri ricercatori sull'applicazione dei test di ipotesi nel dominio classico, i ricercatori dell'ETH hanno utilizzato la teoria dei test di ipotesi quantistici, che ammette la distinzione degli stati quantistici, per determinare una soglia al di sopra della quale le assegnazioni dell'algoritmo di classificazione quantistica sono garantite come corrette e le sue previsioni robuste.

Con il loro metodo di robustezza, i ricercatori possono persino determinare se la classificazione di un input difettoso e rumoroso fornisce lo stesso risultato di un input pulito. Sulla base delle loro scoperte, i ricercatori hanno anche sviluppato un concetto di protezione che può essere utilizzato per specificare la tolleranza agli errori di un processo di calcolo, indipendentemente dal fatto che un errore abbia una causa naturale o sia il risultato di una manipolazione durante un attacco hacker. Il loro concetto di robustezza funziona sia per gli attacchi di hacker che per gli errori naturali.

"Il metodo può essere applicato anche a una classe più ampia di algoritmi quantistici", spiega Maurice Weber, dottorando del Ce Zhang e primo autore della pubblicazione. Poiché l'influenza degli errori nell'informatica quantistica aumenta con le dimensioni del sistema, lui e Zhao stanno ora studiando questo problema. "Siamo ottimisti sul fatto che le nostre condizioni di robustezza si riveleranno utili, ad esempio in combinazione con gli algoritmi quantistici sviluppati per comprendere meglio la struttura elettronica delle molecole".