AI quantistica
Che cos'è e quali vantaggi offre al tuo Business
L'AI quantistica combina la potenza del calcolo quantistico con l'intelligenza artificiale. Questa integrazione sfrutta i punti di forza unici della tecnologia quantistica e dell'AI, utilizzando i bit quantistici – noti come qubit – per eseguire calcoli complessi che i computer tradizionali non sono in grado di gestire.
Storia dell'AI quantistica
Il concetto di calcolo quantistico emerse all'inizio degli anni '80, quando il fisico Richard Feynman propose l'idea di utilizzare la meccanica quantistica per simulare sistemi fisici, cosa che i computer tradizionali non erano in grado di fare. Questa idea pose le basi per il calcolo quantistico, che utilizza i principi della meccanica quantistica – tra cui la sovrapposizione e l'entanglement – per eseguire calcoli complessi.
Negli anni '90, lo sviluppo di algoritmi quantistici, come l'algoritmo di Shor per la fattorizzazione di numeri grandi, dimostrò il potenziale del calcolo quantistico nel risolvere problemi più velocemente rispetto ai computer tradizionali. Questi progressi accesero l'interesse per l'esplorazione dell'intersezione tra calcolo quantistico e AI.
Nei primi anni del nuovo millennio, NASA, Google e Universities Space Research Association fondarono il Quantum Artificial Intelligence Lab. La loro iniziativa era volta a promuovere la ricerca su come il calcolo quantistico potesse migliorare il machine learning e le altre attività computazionali complesse.
Nello stesso periodo, i centri di ricerca iniziarono a sviluppare algoritmi di machine learning quantistico, capaci di sfruttare il calcolo quantistico per migliorare la velocità e l'accuratezza dei modelli di AI.
In questi ultimi anni, l'attenzione si è spostata verso le applicazioni pratiche di AI quantistica.
Le aziende all'avanguardia in questo campo stanno esplorando architetture ibride che combinano il calcolo quantistico con quello classico. La ricerca attuale, ad esempio, studia l'uso dell'annealing quantistico per risolvere problemi di ottimizzazione e il modello a porte per applicazioni più universali come il machine learning, la chimica quantistica e la simulazione.
L'AI quantistica nel mondo di oggi
Formarsi nel calcolo quantistico in un mondo dominato dall'AI
Bill Wisotsky, Principal Quantum Systems Architect, sostiene che il calcolo quantistico è un'idea che si è radicata nella sua mente e non l'ha più abbandonato. Scopri come la sua fascinazione pluridecennale lo abbia condotto a studiare oggi il quantum computing ibrido.
Quantum AI, una panoramica
Scopri di più su cos'è il calcolo quantistico e su come funziona da Amy Stout, Head of Quantum AI Product Strategy di SAS. Cos'è un qubit? E in che modo il calcolo quantistico differisce dal calcolo classico? Stout fornisce risposte chiare e spiega dove ci condurrà questa tecnologia emergente.
Chi utilizza l'AI quantistica
La quantum AI ha il potenziale per rivoluzionare interi settori, offrendo una potenza di calcolo e un livello di efficienza senza precedenti.
Esaminiamo i settori in cui il calcolo quantistico potrebbe avere un impatto significativo:
Il mercato quantistico sta registrando una forte ascesa. Oggi vale 35 miliardi di dollari, ma si prevede che raggiungerà i mille miliardi entro il 2030. È facile immaginare l’impatto che potrà avere nei prossimi anni: i progressi che realizzeremo in questo settore saranno straordinari. Bryan Harris Executive Vice President and Chief Technology Officer SAS
Come funziona l'AI quantistica
I computer quantistici si distinguono da qualsiasi altro computer tradizionale, inclusi gli smartphone e persino i supercomputer più potenti. Sfruttano le proprietà uniche della meccanica quantistica, come la sovrapposizione e l'entanglement, per risolvere alcune classi di problemi complessi che risultano troppo complessi per i computer tradizionali. In alcuni casi, possono risolvere i problemi in tempi drasticamente inferiori. In altri, li rappresentano secondo logiche del tutto inaccessibili ai computer tradizionali.
Per ora, i computer quantistici non sostituiranno quelli convenzionali, ma funzioneranno insieme a essi come uno strumento aggiuntivo. In questo paradigma, CPU, GPU e QPU lavoreranno insieme per affrontare quelle parti del problema per cui sono più adatti.
I computer tradizionali rappresentano i dati utilizzando bit, che possono assumere il valore 0 o 1. Invece, i computer quantistici impiegano i bit quantistici, o qubit, che possono trovarsi in più stati contemporaneamente. Questa coesistenza di stati è nota come principio di sovrapposizione e può essere spiegata con la seguente analogia:
Prendiamo una moneta. Questa può trovarsi in due stati distinti: testa o croce, associabili rispettivamente allo 0 e all'1 di un bit tradizionale. Ora immaginiamo che la moneta stia ruotando in aria. In questo caso, testa e croce coesistono simultaneamente e hanno la stessa probabilità di essere rilevati quando la moneta si fermerà. Il calcolo quantistico sfrutta proprio questa simultaneità, eseguendo nello stesso momento operazioni su testa (0) e su croce (1), finché la moneta rimane in rotazione, cioè in uno stato di sovrapposizione.
Questo stato di sovrapposizione consente ai computer quantistici di elaborare, con un singolo qubit, il doppio delle informazioni di un singolo bit. Man mano che aumenta il numero di qubit, la quantità di informazioni che può essere elaborata cresce in modo esponenziale come 2numero di qubit, accelerando notevolmente i calcoli. Ad esempio, 10 qubit possono eseguire calcoli equivalenti a 1.024 bit classici, e questo valore cresce in modo esponenziale.
Ora, esaminiamo l'entanglement e gli algoritmi quantistici:
Entanglement
Un'altra proprietà altrettanto importante della fisica quantistica, utilizzata nel calcolo quantistico, è l’entanglement. Possiamo pensare all'entanglement come alla correlazione tra particelle quantistiche. Quanto due qubit sono strettamente correlati (o entangled), conoscere lo stato di uno permette di conoscere automaticamente lo stato dell'altro. Se abbinato alla sovrapposizione, l'entanglement può aumentare ulteriormente la potenza di calcolo.
Algoritmi quantistici
La quantum AI utilizza anche gli algoritmi quantistici per migliorare i modelli di machine learning. Gli algoritmi di machine learning quantistico, così come le versioni quantistiche delle macchine a vettori di supporto (SVM) e delle reti neurali, si basano su circuiti quantistici per eseguire le elaborazioni.
Questi circuiti costituiscono un modello universale per il calcolo quantistico.
Ad esempio, in una tipica implementazione di una rete neurale quantistica, i dati tradizionali vengono codificati in stati quantistici. Il circuito quantistico utilizza rotazioni parametrizzate, entanglement e misurazioni per esaminare simultaneamente relazioni complesse. L'output viene poi ottimizzato secondo i metodi classici e reinserito nel circuito sotto forma di nuove rotazioni parametrizzate, ripetendo il processo fino a ottenere una configurazione ottimale. Il meccanismo è simile all’ottimizzazione dei pesi nei nodi di una rete neurale classica.
AI quantistica: un approccio ibrido
Poiché la tecnologia del calcolo quantistico è ancora in fase di sviluppo, la quantum AI si configura oggi come un processo ibrido, che combina approcci quantistici e tradizionali. In alcuni casi l'elaborazione quantistica avviene prima, mentre in altri avviene dopo. In altri casi ancora, si adotta un approccio ciclico, alternando il calcolo quantistico e quello tradizionale. Questa natura ibrida sfrutta i punti di forza sia del calcolo quantistico che di quello tradizionale, al fine di ottenere performance e accuratezza migliori.
Con l'evoluzione dei computer quantistici, continueremo a vedere approcci ibridi che sfruttano la crescente affidabilità e scalabilità dei computer quantistici per migliorare il processo decisionale assistito dall'AI.
Siamo solo agli albori dell'integrazione tra calcolo quantistico e AI. Questa integrazione diventerà più stretta man mano che il calcolo quantistico si svilupperà. Attualmente, i produttori di tecnologie quantistiche stanno sperimentando la co-localizzazione delle QPU (unità di elaborazione quantistica) e delle AIU (unità di AI).
Nei prossimi 5-10 anni questo ambito della ricerca si evolverà e assisteremo a importanti progressi tecnologici nel campo dell'AI quantistica. Tali progressi cambieranno le metodologie esistenti e apriranno la strada alla possibilità di risolvere problemi complessi in modi del tutto inediti.
Letture consigliate
-
ARTICOLO
L'AI rivoluziona il settore assicurativo: scopri come con 8 esempiL'uso dell'AI nel settore assicurativo può accrescere il valore per clienti, compagnie e investitori. Dai progressi nel rilevamento delle frodi al miglioramento del servizio clienti, dall'ottimizzazione dei processi di underwriting alla realizzazione di vantaggio competitivo. Scopri in che modo l'AI sta rivoluzionando il settore.
-
ARTICOLO
Big data nella PA: in che modo dati e analytics supportano i programmi pubbliciI big data sono fondamentali per la pubblica amministrazione quando vengono analizzati e utilizzati per migliorare i risultati sia dei programmi pubblici che di quelli privati: dalla gestione delle emergenze all'efficacia della forza lavoro. Per le agenzie governative di tutto il mondo, gli enormi volumi di dati generati ogni giorno sono alla base di cambiamenti significativi.
-
ARTICOLO
Che cos'è l'AI modeling?L'AI modeling consiste nello sviluppo di programmi che impiegano uno o più algoritmi per consentire ai computer di ragionare, apprendere e generare previsioni. In maniera analoga alla mente umana, i modelli di AI assimilano dati eterogenei – numeri, testi, immagini, video e segnali audio – per imparare ad anticipare risultati o a risolvere compiti specifici, senza necessità di istruzioni esplicite a ogni fase.