Chi raccoglie funghi sa che è meglio tenere separati quelli velenosi e quelli non velenosi. In tali "problemi di classificazione, " che richiedono di distinguere tra loro determinati oggetti e di assegnare gli oggetti che cerchiamo a determinate classi mediante caratteristiche, i computer forniscono già un utile supporto.

I metodi di apprendimento automatico intelligenti possono riconoscere modelli o oggetti e selezionarli automaticamente dai set di dati. Per esempio, potrebbero scegliere quelle immagini da un database di foto che mostrano funghi non tossici. In particolare con set di dati molto grandi e complessi, l'apprendimento automatico può fornire risultati preziosi che gli esseri umani non sarebbero in grado di determinare senza molto tempo e fatica. Però, per determinati compiti di calcolo, anche i computer più veloci oggi disponibili raggiungono i loro limiti. È qui che entra in gioco la grande promessa dei computer quantistici:un giorno, potrebbero eseguire calcoli superveloci che i computer classici non possono risolvere in un periodo di tempo utile.

La ragione di questa "supremazia quantistica" risiede nella fisica:i computer quantistici calcolano ed elaborano le informazioni sfruttando determinati stati e interazioni che si verificano all'interno di atomi o molecole o tra particelle elementari.

Il fatto che gli stati quantistici possano sovrapporsi e intrecciarsi crea una base che consente ai computer quantistici l'accesso a un insieme fondamentalmente più ricco di logica di elaborazione. 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 cruciale è che i qubit possono realizzare non solo uno stato—0 o 1—per passo computazionale, ma anche una sovrapposizione di entrambi. Questi metodi più generali di elaborazione delle informazioni a loro volta consentono una drastica accelerazione computazionale in alcuni problemi.

Tradurre la saggezza classica nel regno quantico

Questi vantaggi in termini di velocità del calcolo quantistico sono anche un'opportunità per le applicazioni di apprendimento automatico, dopo tutto, I computer quantistici potrebbero calcolare le enormi quantità di dati di cui i metodi di apprendimento automatico hanno bisogno per migliorare l'accuratezza dei loro risultati molto più velocemente dei computer classici.

Però, per sfruttare davvero il potenziale dell'informatica quantistica, è necessario adattare i metodi classici di machine learning alle peculiarità dei computer quantistici. Per esempio, algoritmi, cioè., le regole matematiche che descrivono come un computer classico risolve un certo 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, perché ci sono ancora alcuni ostacoli da superare lungo la strada.

Da una parte, questo è dovuto all'hardware quantistico. Al Politecnico di Zurigo, i ricercatori attualmente dispongono di computer quantistici che funzionano con un massimo di 17 qubit (vedi "ETH Zurich e PSI hanno trovato Quantum Computing Hub" del 3 maggio 2021). Però, se un giorno i computer quantistici realizzeranno il loro pieno potenziale, potrebbero aver bisogno di migliaia o centinaia di migliaia di qubit.

Il rumore quantistico e l'inevitabilità degli errori

Una sfida che i computer quantistici devono affrontare riguarda la loro vulnerabilità agli errori. I computer quantistici di oggi operano con un livello di rumore molto elevato, come errori o disturbi sono noti in gergo tecnico. Per l'American Physical Society, questo rumore è "il principale ostacolo all'espansione dei computer quantistici". Non esiste una soluzione completa sia per correggere che per mitigare gli errori. Non è stato ancora trovato alcun modo per produrre hardware quantistico privo di errori, e i computer quantistici con 50-100 qubit sono troppo piccoli per implementare software o algoritmi di correzione.

In una certa misura, gli errori nell'informatica quantistica sono in linea di principio inevitabili, perché gli stati quantistici su cui si basano i passi computazionali concreti possono essere distinti e quantificati solo con probabilità. Cosa si può ottenere, d'altra parte, sono procedure che limitano l'entità del rumore e delle perturbazioni a tal punto che i calcoli forniscono comunque risultati affidabili. Gli informatici si riferiscono a un metodo di calcolo affidabile come "robusto, "e in questo contesto, parlano anche della necessaria "tolleranza all'errore".

Questo è ciò che il gruppo di ricerca guidato da Ce Zhang, Professore di informatica dell'ETH e membro dell'ETH AI Center, ha recentemente esplorato, in qualche modo "accidentalmente" durante un tentativo di ragionare sulla robustezza delle distribuzioni classiche allo scopo di costruire migliori sistemi e piattaforme di apprendimento automatico. Insieme alla professoressa Nana Liu dell'Università Jiao Tong di Shanghai e al professor Bo Li dell'Università dell'Illinois a Urbana, hanno sviluppato un nuovo approccio che dimostra le condizioni di robustezza di alcuni modelli di apprendimento automatico basati sulla quantistica, per cui il calcolo quantistico è garantito per essere affidabile e il risultato corretto. I ricercatori hanno pubblicato il loro approccio, che è uno dei primi nel suo genere, nella rivista scientifica npj Informazioni quantistiche .

Protezione contro errori e hacker

"Quando ci siamo resi conto che gli algoritmi quantistici, come gli algoritmi classici, sono soggetti a errori e perturbazioni, ci siamo chiesti come possiamo stimare queste fonti di errori e perturbazioni per determinate attività di apprendimento automatico, e come possiamo garantire la robustezza e l'affidabilità del metodo scelto, "dice Zhikuan Zhao, un postdoc nel gruppo di Ce Zhang. "Se sappiamo questo, possiamo fidarci dei risultati computazionali, anche se sono rumorosi."

I ricercatori hanno studiato questa domanda utilizzando algoritmi di classificazione quantistica come esempio, dopo tutto, gli errori nelle attività di classificazione sono complicati perché possono influenzare il mondo reale, per esempio se i funghi velenosi fossero classificati come non tossici. Forse la cosa più importante, utilizzando la teoria della verifica delle ipotesi quantistica, ispirata al recente lavoro di altri ricercatori nell'applicazione della verifica delle ipotesi nell'ambiente classico, che consente di distinguere gli stati quantistici, i ricercatori dell'ETH hanno determinato 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 anche verificare se la classificazione di un errore, un ingresso rumoroso produce lo stesso risultato di un ingresso pulito, ingresso silenzioso. Dalle loro scoperte, i ricercatori hanno anche sviluppato uno schema di protezione che può essere utilizzato per specificare la tolleranza agli errori di un calcolo, indipendentemente dal fatto che un errore abbia una causa naturale o sia il risultato della manipolazione di un attacco di hacking. Il loro concetto di robustezza funziona sia per gli attacchi di hacking che per gli errori naturali.

"Il metodo può essere applicato anche a una classe più ampia di algoritmi quantistici, "dice Maurizio Weber, uno studente di dottorato con Ce Zhang e il primo autore della pubblicazione. Poiché l'impatto dell'errore nel calcolo quantistico aumenta con l'aumentare delle dimensioni del sistema, lui e Zhao stanno ora conducendo ricerche su questo problema. "Siamo ottimisti sul fatto che le nostre condizioni di robustezza si dimostreranno utili, Per esempio, in combinazione con algoritmi quantistici progettati per comprendere meglio la struttura elettronica delle molecole."