L'intelligenza artificiale si riferisce, tra l'altro, alla capacità delle macchine di dimostrare un certo grado di ciò che gli umani considerano "intelligenza". Questo processo è guidato dal rapido progresso dell'apprendimento automatico:far pensare le macchine da sole piuttosto che pre-programmarle con un concetto assoluto.

Prendi il riconoscimento delle immagini. Gli umani eccellono in questo compito, ma si è rivelato difficile da simulare artificialmente. Addestrare una macchina a riconoscere un gatto non significa inserire una definizione prestabilita dell'aspetto di un gatto. Anziché, vengono inserite molte immagini diverse di gatti; l'obiettivo è che il computer impari a distillare lo schema di pixel sottostante "simile a un gatto".

Questa dipendenza dai dati è un potente strumento di formazione. Ma si tratta di potenziali insidie. Se le macchine vengono addestrate a trovare e sfruttare modelli nei dati, allora, in certi casi, perpetuano solo la corsa, pregiudizi di genere o di classe specifici dell'attuale intelligenza umana.

Ma la struttura di elaborazione dei dati inerente all'apprendimento automatico ha anche il potenziale per generare applicazioni in grado di migliorare la vita umana. Le macchine "intelligenti" potrebbero aiutare gli scienziati a rilevare in modo più efficiente il cancro o a comprendere meglio la salute mentale.

La maggior parte dei progressi nell'apprendimento automatico finora è stata classica:le tecniche utilizzate dalle macchine per apprendere seguono le leggi della fisica classica. I dati da cui apprendono hanno una forma classica. Anche le macchine su cui girano gli algoritmi sono classiche.

Lavoriamo nel campo emergente del machine learning quantistico, che sta esplorando se il ramo della fisica chiamato meccanica quantistica potrebbe migliorare l'apprendimento automatico. La meccanica quantistica è diversa dalla fisica classica a un livello fondamentale:si occupa di probabilità e fa dell'incertezza un principio. La meccanica quantistica espande anche la fisica per includere fenomeni interessanti che non possono essere spiegati usando l'intuizione classica.

Dal classico al quantistico

La meccanica quantistica è una branca della fisica che tenta di comprendere e applicare la matematica, regole verificabili al comportamento della natura all'estremità più piccola dello spettro - sulla scala degli atomi, elettroni e fotoni. È stato sviluppato per la prima volta all'inizio del XX secolo, ed ha avuto molto successo nel descrivere i sistemi a livello microscopico.

Il divario fondamentale tra il mondo quantistico e quello classico è stato reso popolare dall'esperimento mentale del gatto di Schrodinger. Dentro, un gatto è sigillato in una scatola insieme a una fiala di veleno e un atomo radioattivo. Il rilascio del veleno – e la vita del gatto – dipende dal decadimento dell'atomo.

La meccanica quantistica consente di descrivere l'atomo come simultaneamente decaduto o non decaduto finché una misurazione non lo costringe in uno stato esatto. Ma allora dovrebbe seguire che il gatto può essere descritto sia morto che vivo allo stesso tempo fino a quando la scatola non viene aperta e lo stato del gatto è stato accertato. Il paradosso illustra la difficoltà di applicare le regole quantistiche agli oggetti classici.

Questa è una delle possibilità più affascinanti inerenti alla teoria quantistica:che è possibile che un sistema quantistico si trovi in ​​più di uno stato contemporaneamente - un fenomeno descritto come sovrapposizione - finché quel sistema non viene misurato.

Calcolo quantistico

Esistono diversi modi in cui l'apprendimento automatico può essere reso quantistico. Di questi, è la corsa alla creazione di un computer quantistico che ha dominato la stampa popolare e ha visto lo sviluppo di concorrenti come il computer D-Wave e l'IBM Quantum Experience.

Il valore dei computer quantistici risiederebbe nella loro capacità di elaborare le informazioni ed eseguire attività computazionali in modo diverso, e in alcuni casi più rapidamente, rispetto ai computer classici.

Nonostante l'interesse commerciale, nessuno dei contendenti è ancora un vero successo. Questo perché i fenomeni da cui attingono nella meccanica quantistica, come gli stati di sovrapposizione, sono delicate e soggette a distruzione.

Altri rami dell'apprendimento automatico quantistico si concentrano su come la teoria quantistica potrebbe informare i metodi utilizzati dai computer per apprendere, o i dati da cui apprendono, oltre a mettere a punto gli strumenti e le tecniche dell'apprendimento automatico classico in un quadro quantistico.

Mentre i risultati misurabili sono ancora per lo più nel regno della teoria, l'apprendimento automatico quantistico ha implicazioni quotidiane per la gente comune. È stato a lungo previsto che la potenza di elaborazione dei computer quantistici potrebbe rendere inefficaci le attuali tecniche di crittografia utilizzate nelle transazioni bancarie o in altre transazioni online.

Più recentemente, Le tecniche di apprendimento automatico quantistico come la ricottura hanno mostrato promesse commerciali ottimizzando i rendimenti delle attività finanziarie o il calcolo dei rating creditizi.

È probabile che anche le tecniche quantistiche nell'apprendimento automatico diventino importanti nella tecnologia medica o nella progettazione di farmaci poiché i principi alla base della chimica sono fondamentalmente quantistici. ProteinQure, un'azienda biotech fondata nel 2017, utilizza già elementi di computazione quantistica per progettare nuove terapie.

È probabile che le tecniche di apprendimento automatico quantistico abbiano effetti di vasta portata su molte delle tecnologie a cui siamo abituati, dall'aviazione all'agricoltura, con aziende come Lockheed Martin, NASA e Google già a bordo.

Machine learning quantistico in Africa

L'apprendimento automatico quantistico è un'esperienza entusiasmante, campo in rapida crescita. Sono state istituite numerose start-up che mirano a perfezionare il processo e fornire dispositivi quantistici scalabili.

Anche accademici e ricercatori universitari stanno lavorando per sfruttare il potenziale dell'apprendimento automatico quantistico. Siamo tra questi. Il gruppo di ricerca quantistica dell'Università di KwaZulu-Natal studia sia come la teoria quantistica potrebbe migliorare l'apprendimento automatico sia come le tecniche di apprendimento automatico possono informare la teoria quantistica.

Dott.ssa Maria Schuld, chi fa parte del gruppo, ha recentemente condiviso i titoli con IBM e l'università statunitense MIT per un importante progresso nel potenziamento quantistico dei metodi di apprendimento automatico basati su kernel.

Questo articolo è stato ripubblicato da The Conversation con una licenza Creative Commons. Leggi l'articolo originale.