TRENTO.  L’ultimo numero del magazine «UniTn» dell’Università riporta – in un articolo di Paola Siano – un resoconto dell’importante convegno che si è tenuto alla Facoltà di Fisica, sui futuri sviluppi dell’intelligenza artificiale in relazione alla spaventosa quantità di calcolo che sarà disponibile con le nuove tecniche quantistiche.

Apprendimento automatico quantistico: ovvero la potenza del calcolo quantistico associata alle capacità predittive del machine learning. La ricerca su questo sistema è agli inizi ma sta investendo molto, per superare i limiti degli algoritmi classici e migliorare le prestazioni.

Qual è lo stato dell’arte e quali sono le applicazioni di questa tecnologia? Il punto è stato fatto a Trento nel corso della prima edizione della Winter School on Quantum machine learning – QML. L’iniziativa è stata ospitata al Centro Europeo per gli Studi Teorici in Fisica Nucleare e Aree Correlate. È stata organizzata dal Dipartimento di Fisica dell’Università di Trento con la partecipazione di IBM Quantum.

Immaginate una serie di raffigurazioni, alcune di cani e altre di gatti. Una figura statica, che secondo l’approccio computazionale classico contiene informazioni chiare sul contenuto. Immaginate ora di sovrapporre queste figure. A prima vista, avreste molta difficoltà nel risalire ai dati di una singola forma.

Ecco come si potrebbe spiegare l’informazione quantistica: una sovrapposizione di immagini diverse in una sola che contiene quindi molteplici informazioni. Per estrarre le informazioni su ciascuna di esse è necessario un processo più complesso. Questa sovrapposizione consente a un algoritmo quantistico di rappresentare più stati contemporaneamente. E può consentire di esplorare diverse soluzioni di un problema, con un potenziale ad oggi ancora poco esplorato.

«Il quantum computing è un nuovo paradigma di calcolo – spiega Davide Moretti, quantum ambassador di IBM Italia, tra i relatori alla Winter school on quantum machine learning – che consente alla scienza di sbloccare un certo insieme di problemi computazionali e numerici che sono in qualche modo intrattabili dai computer classici (simulazioni molecolari, problemi numerici e di ottimizzazione, ecc.). Ciò – aggiunge – si tradurrà in molte scoperte scientifiche in campi diversi».

«L'informatica quantistica – sottolinea Davide Corbelletto, distinguished quantum specialist di Intesa Sanpaolo, anche lui tra i relatori – rappresenta sia un'avanguardia tecnologica che un nuovo modello computazionale che risponde alla necessità sempre più pressante di eseguire calcoli più complessi di quelli che possono essere eseguiti dai computer tradizionali». C’è entusiasmo intorno a questa materia da parte del mondo accademico ma anche economico e imprenditoriale.

Le prospettive che offre sono innovative, multidisciplinari. Le applicazioni interessano diversi settori. «Per esempio – dice Moretti – alcune applicazioni interesseranno nuovi materiali ingegnerizzati, la scoperta di farmaci, migliori simulazioni fisiche, una logistica più efficiente dei trasporti ma anche un migliore algoritmo di machine learning per analizzare complessi set di dati molto grandi».

Non è un caso quindi se alla Winter school hanno partecipato fisici, ingegneri e matematici. Provenivano da ogni parte del mondo (Usa, Canada, Cina, Europa), ciascuno con background diversi. L’aspetto interessante che sta emergendo negli ultimi anni è proprio quello di combinare il quantum computing con il machine learning. L’apprendimento automatico, ci dicono gli esperti, potrebbe essere potenziato utilizzando un approccio quantistico ibrido.

Attualmente, la parte rilevante del lavoro consiste nell'analisi di dati "classici" con un approccio quantistico di mappatura dei dati. E un domani, quando sarà superata la limitatezza degli hardware attualmente disponibili e i sensori quantistici saranno in grado di raccogliere dati quantistici, il quantum machine learning sarà l'approccio migliore per elaborarli. Ecco perché oggi è importante studiarlo.

«Lo è sia da un punto di vista culturale – risponde Alessandro Roggero, professore di Fisica teorica delle interazioni fondamentali e tra gli organizzatori dell’iniziativa insieme a Stefano Azzini, professore di Fisica sperimentale della materia – perché ci permette di affrontare il problema di cosa vuol dire imparare l'informazione quantistica. Sia per quanto riguarda gli impieghi pratici. Esistono dati che sono quantistici di natura e imparando a classificarli possiamo imparare a sfruttare e a trattare l'informazione che otteniamo dagli esperimenti. A manipolare i sistemi fisici che simuliamo».

Dal laboratorio alla messa in pratica in un contesto industriale e imprenditoriale quindi, il passo non dovrebbe essere poi così lungo.

«Nel contesto bancario e assicurativo – chiarisce Corbelletto – è prassi standard incorporare uno o più modelli di apprendimento automatico come livelli di pre-elaborazione dell'input e post-elaborazione dell'output all'interno dei carichi di lavoro di gestione del rischio o di ingegneria finanziaria».

Per spiegare un’altra applicazione del machine learning, questa volta in ambito farmacologico, Roggero e Azzini citano il premio Nobel per la chimica di quest'anno che ha premiato l’introduzione di metodi di machine learning nello studio di sistemi biologici. Per avere compreso cioè come predire la struttura delle proteine e, su questa base, come progettarne di nuove utili per ottenere farmaci, vaccini, nanomateriali o sensori, grazie all’intelligenza artificiale.

«Ci sono molte molecole che sono simili l’una con l'altra – spiega Azzini – ma che hanno una versione tossica e una invece utile. L'idea è di discriminare una grande quantità di informazioni in modo automatico, allenando un algoritmo in grado di riconoscere le applicazioni dannose di quella molecola».

L’argomento quindi è davvero molto vasto, ci sono applicazioni ancora sconosciute. Anche per questo è stata organizzata la Winter school on quantum machine learning.

«L’obiettivo è quello di cercare di formare giovani che studino gli strumenti quantistici e che inizino a esplorare possibilità e vantaggi che possono esserci. Negli ultimi anni sia in Europa che in nord America ci sono molte industrie che assumono persone che hanno una formazione in questo ambito. Per questo c’è molta richiesta per la formazione di figure professionali adeguate», così Azzini.