È assodato che in campi come il Quantum Computing o l’intelligenza artificiale, che hanno ormai rivoluzionato interi settori dalla sanità alle telecomunicazioni, dalla finanza alla cybersecurity, ogni giorno si affrontano problemi molto complessi che richiedono un’enorme potenza di calcolo per essere risolti. Molto spesso, tale complessità impedisce alle organizzazioni di affrontare appieno questi problemi e consente soltanto approcci euristici, non risoluzioni ottimali. Questo perché la complessità è tale che gli algoritmi non sono in grado di fornire le migliori soluzioni possibili o perché i requisiti di calcolo sono così pesanti che nessuna tecnologia moderna riesce a gestirli.

Il Quantum Machine Learning (qML) si propone come un approccio innovativo che potrebbe superare tale criticità, diventando un importante acceleratore di calcolo dall’elevata precisione. Per questo, il qML si sta affermando come la soluzione che può superare i limiti dei modelli classici di Machine Learning. Questi ultimi, pur essendosi rivelati fondamentali negli ultimi anni per estrarre valore dai dati, consentendo alle imprese di beneficiare ampiamente dei prodotti data-driven, sono tuttavia modelli spesso affetti da problemi di generalizzazione e, essendo guidati dall’esigenza di previsioni più precise, diventano sempre più complessi, ricchi di dati e costosi a livello di calcolo.

È qui che l’informatica quantistica si pone come punto di svolta, con prestazioni migliori e una migliore generalizzazione rispetto alle classiche tecniche di Machine Learning esistenti e con la possibilità di applicare diversi algoritmi quantistici per elaborare grandi quantità di dati.
Il potenziale del qML è notevole, poiché attualmente i computer quantistici vanno incontro a miglioramenti significativi, sia in termini di potenza di calcolo sia di robustezza. I dati, gestiti ed elaborati dal dispositivo quantistico, vengono trasformati in vari modi, cosa che non potrebbe di certo verificarsi con un hardware classico; e proprio questa flessibilità consente di risolvere problemi estremamente complessi con una qualità più alta rispetto alle tecniche classiche.

Il qML è un argomento di ricerca che negli ultimi anni ha generato molto interesse. Sebbene infatti sia ancora in fase di sviluppo, può essere già usato in approcci ibridi per aumentare la precisione delle soluzioni.

Esiste attualmente un vasto panorama di librerie di sviluppo quantistico che può essere usato con un linguaggio di programmazione standard per comporre e testare circuiti quantistici. Alcune librerie sono persino specializzate in applicazioni di Machine Learning e offrono la possibilità di integrare tali circuiti quantistici con librerie di Machine Learning, dando pieno controllo sugli algoritmi ibridi quantistici-classici, che sono al momento i candidati più promettenti. Ciò permette agli utenti di scoprire facilmente l’algoritmo migliore per il rispettivo caso d’utilizzo e l’hardware migliore per eseguirlo.
Tali approcci ibridi all’informatica quantistica combinano la stabilità dei computer classici con i vantaggi offerti da effetti quantistici come la sovrapposizione e l’entanglement. Gli algoritmi variazionali rappresentano una classe importante di questi approcci ibridi. Essi mirano a superare le problematiche relative al rumore e alla decoerenza quantistica a livello di software, realizzando circuiti quantistici brevi e interrogando ripetutamente i computer quantistici. Questo permette di utilizzare tali dispositivi, oggi o nel prossimo futuro, e trovare soluzioni migliori ai problemi di apprendimento automatico e ottimizzazione, ottenendo un “vantaggio quantistico” rispetto alle tecniche puramente classiche.

Reply ha condotto diverse sperimentazioni con gli algoritmi di qML, prevalentemente in ambito aziendale. I risultati ottenuti dimostrano che l’algoritmo di oggi è valido, ma ulteriormente migliorabile con esami sistematici addizionali e implementazioni più ampie, tenendo conto che per raccogliere l’intero potenziale in contesti aziendali sono necessarie conoscenza ed esperienza diretta.

Una delle sperimentazioni condotte da Reply ha riguardato il settore assicurativo: per verificare che la richiesta di risarcimento fosse coerente con il danno reale, si è adottato un approccio di Quantum Machine Learning usando hardware e simulatori quantistici. Questo ha permesso di confrontare le prestazioni degli algoritmi classici e degli algoritmi ibridi quantum-classici in cui i circuiti quantistici vengono utilizzati e di ottenere una rappresentazione del set di dati, la quale ha portato a risultati competitivi con noti algoritmi di Machine Learning classico, da inoltrare a chi deve classificare il danno e autorizzare il risarcimento.

Articolo a cura di Marco Magagnini (Data Reply) e Johannes Oberreuter (Machine Learning Reply)