Innovazione dell’Intelligenza Artificiale quantistica: il nuovo teorema riduce la necessità di dati di addestramento
L’addestramento di una rete neurale quantistica richiede una piccola quantità di dati. Questo ci dice una nuova ricerca che ribalta le ipotesi precedenti derivanti dell’informatica classica, per l’enorme quantità di dati necessari nell’apprendimento automatico, o nell’intelligenza artificiale.
Diversamente dalle ipotesi precedenti, la dimensione del set di dati di addestramento non sarà più un ostacolo per l’IA quantistica. Lukasz Cincio, teorico quantistico al Los Alamos National Laboratory e coautore dell’articolo contenente la prova pubblicata sulla rivista Nature Communications, scrive: “Molte persone credono che l’apprendimento automatico quantistico richiederà molti dati. Abbiamo dimostrato che per molti problemi rilevanti, questo non è il caso”. Inoltre scrive: “Questo fornisce una nuova speranza per l’apprendimento automatico quantistico. Stiamo colmando il divario tra ciò che abbiamo oggi e ciò che è necessario per il vantaggio quantistico, quando i computer quantistici supereranno i computer classici”.
Inoltre Patrick Coles, teorico quantistico presso il Laboratorio e coautore dell’articolo, scire: “La necessità di grandi set di dati avrebbe potuto essere un ostacolo all’IA quantistica, ma il nostro lavoro rimuove questo ostacolo. Mentre altri problemi per l’Intelligenza Artificiale quantistica potrebbero ancora esistere, almeno ora sappiamo che la dimensione del set di dati non è un problema”.
Qubit, il bit quantistico
Tutti i sistemi di intelligenza artificiale hanno bisogno di dati per addestrare le reti neurali a riconoscere, ovvero generalizzare, dati invisibili in applicazioni reali. Si presumeva che il numero di parametri, o variabili, sarebbe stato determinato dalla dimensione di un costrutto matematico chiamato spazio di Hilbert, che diventa esponenzialmente grande per l’allenamento su un gran numero di qubit. Quella dimensione ha reso questo approccio quasi impossibile dal punto di vista computazionale. Un qubit, o bit quantistico, è l’unità computazionale di base dell’informatica quantistica ed è analogo a un bit nell’informatica classica.
Un aspetto chiave dei risultati è che forniscono garanzie di efficienza anche per algoritmi classici che simulano modelli di intelligenza artificiale quantistica, quindi i dati di addestramento e la compilazione possono spesso essere gestiti su un computer classico, il che semplifica il processo. Quindi il modello appreso dalla macchina viene eseguito su un computer quantistico.
Applicazioni pratiche
L’accelerazione risultante dalla nuova dimostrazione ha applicazioni pratiche incredibili. Il team di Los Alamos National Laboratory ha scoperto di poter garantire che un modello quantistico può essere compilato o preparato per l’elaborazione su un computer quantistico, in un numero molto inferiore di porte computazionali, rispetto alla quantità di dati.
Il team ha anche dimostrato che un’Intelligenza Artificiale quantistica potrebbe classificare gli stati quantistici attraverso una transizione di fase dopo l’allenamento su un set di dati molto piccolo.
La creazione di materiali con le caratteristiche desiderate, come la superconduttività, implica la comprensione del diagramma di fase, ha affermato Sornborger, che il team ha dimostrato che potrebbe essere scoperto da un sistema di apprendimento automatico con una formazione minima.
Altre potenziali applicazioni del nuovo teorema includono l’apprendimento di codici di correzione degli errori quantistici e simulazioni quantistiche dinamiche.
Superando le aspettative
“L’efficienza del nuovo metodo ha superato le nostre aspettative”, ha affermato Marco Cerezo, esperto di Los Alamos nell’apprendimento automatico quantistico. “Possiamo compilare alcune operazioni quantistiche molto grandi in pochi minuti con pochissimi punti di addestramento, qualcosa che in precedenza non era possibile”.
Per approfondimenti vai al link di hpcwire
O direttamente al paper
Redazione BlogInnovazione.it
Newsletter sull’Innovazione
Puoi cancellarti in ogni momento. Leggi la nostra Privacy Policy.
