Quantum Machine Learning: concetti, algoritmi e casi d'uso

Alcuni problemi fanno sudare i computer classici. Simulare come interagiscono le molecole, esplorare spazi combinatori enormi, fattorizzare numeri grandi: il lavoro cresce più velocemente di quanto l'hardware riesca a tenere il passo. I computer quantistici affrontano questi problemi da un'altra angolazione, e un gruppo piccolo ma in crescita di ricercatori si chiede se quella differenza possa aiutare anche il machine learning.

Questa è la domanda al centro del quantum machine learning (QML). Questa guida spiega cos'è davvero il QML, le idee quantistiche che ti servono per seguirlo, i principali algoritmi con cui si sta sperimentando e lo stato attuale del campo che, lo dico subito, è più indietro di quanto facciano pensare i titoli dei giornali. Se già lavori con il ML classico, ad esempio con il nostro track Machine Learning Scientist in Python, qui riconoscerai più struttura di quanto ti aspetteresti.

Cos'è il Quantum Machine Learning?

Il quantum machine learning utilizza il calcolo quantistico per eseguire, o velocizzare, parti di un compito di machine learning. Può voler dire codificare i dati in stati quantistici, eseguire un circuito quantistico al posto di un componente del modello classico, o chiamare una sottoroutine quantistica all'interno di un normale ciclo di training. L'etichetta copre un ampio spettro, da metodi perlopiù classici con un singolo passo quantistico a modelli progettati per girare interamente su hardware quantistico.

Prima di proseguire, è utile chiarire cosa il QML non è, perché è qui che nasce la maggior parte della confusione. Non è un sostituto più veloce e plug-and-play dei modelli che già usi, e non sta per rimpiazzare il ML classico ovunque. Gran parte del campo è ancora in fase di ricerca, in esecuzione su simulatori o su macchine quantistiche piccole e rumorose. L'inquadramento onesto: il QML pone una domanda più ristretta, cioè, esistono problemi specifici di ML in cui l'hardware quantistico offre qualcosa che l'hardware classico fatica a eguagliare? Per una manciata di tipi di problemi, la risposta sembra promettente. Per la maggior parte, il ML classico resta lo strumento giusto, e il nostro corso Understanding Machine Learning copre ciò di cui la maggior parte delle persone ha davvero bisogno all'inizio.

Basi del calcolo quantistico

Non ti serve una laurea in fisica per seguire il resto dell'articolo, ma alcune idee rendono il QML molto meno misterioso. Ecco la versione breve: salta pure se ti sono già familiari.

Qubit contro bit

Un bit classico è 0 oppure 1. Un qubit può contenere una combinazione di entrambi allo stesso tempo, e si assesta su un 0 o 1 definito solo quando lo misuri. Prima della misura, un qubit è descritto da due ampiezze che determinano la probabilità di ciascun esito. È tutto qui il trucco: un registro di n qubit può rappresentare una combinazione di 2ⁿ stati contemporaneamente, mentre n bit classici potrebbero contenere solo uno di quegli stati alla volta.

La fregatura (e con il calcolo quantistico c'è sempre una fregatura) è che non puoi semplicemente leggere tutti quegli stati. La misura fa collassare il qubit in un singolo valore, quindi recuperare informazioni utili richiede attenzione. Quel limite conta più di quanto sembri a prima vista, ed è una grande parte del perché gli algoritmi di QML sono progettati come sono, come vedrai tra poco.

Sovrapposizione ed entanglement

Quella combinazione di stati si chiama sovrapposizione. La seconda idea, l'entanglement, è dove le cose si fanno interessanti: due o più qubit possono diventare così fortemente correlati che non puoi descriverne uno senza descrivere gli altri. Misuri un qubit entangled e sai subito qualcosa del suo partner, anche in linea di principio a distanza. I bit classici non hanno un equivalente, e gran parte dei vantaggi proposti del calcolo quantistico si appoggia in qualche modo a questo fenomeno.

Gate quantistici

Come si lavora concretamente con qubit in sovrapposizione ed entanglement? Entrano in gioco i gate quantistici. Sono rotazioni reversibili dello stato di un qubit: un gate di Hadamard mette un qubit in sovrapposizione, un gate CNOT entangla due qubit. Collegando in sequenza i gate ottieni un circuito quantistico, la versione quantistica di un programma. Tutto poggia sull'algebra lineare: gli stati sono vettori, i gate sono matrici e l'esecuzione di un circuito è una sequenza di operazioni tra matrici. Se questa parte ti sembra incerta, le competenze di algebra lineare dei nostri percorsi di data science si trasferiscono direttamente.

Con qubit, sovrapposizione, entanglement e gate alla mano, hai tutto ciò che serve per vedere come questi pezzi si combinano concretamente in un workflow di QML.

Come funziona il Quantum Machine Learning

A livello alto, un workflow di QML ha quattro mosse. Primo, codifichi i dati classici in uno stato quantistico, di solito mappando i valori delle feature su angoli di rotazione o ampiezze. Secondo, applichi un circuito quantistico, spesso con parametri regolabili. Terzo, misuri il circuito, eseguendolo molte volte perché ogni misura dà un solo esito collassato e ti servono abbastanza campioni per stimare il risultato in modo affidabile. Quarto, reinserisci quel risultato in un processo di apprendimento.

L'ultimo passaggio è dove vive oggi la maggior parte del QML pratico. Invece di far girare tutto su una macchina quantistica, costruisci un loop ibrido: il circuito quantistico produce un valore, un ottimizzatore classico aggiusta i parametri del circuito, e il ciclo si ripete, proprio come l'addestramento di un modello, tranne per il fatto che una parte del calcolo avviene su hardware quantistico. Le macchine quantistiche di oggi sono rumorose e piccole (il campo chiama questa fase era NISQ, noisy intermediate-scale quantum), quindi mantenere il grosso del lavoro classico e scaricare solo la parte che ne beneficia è la scelta pragmatica. Tornerò sul perché l'ibrido vince nella prossima sezione.

Tipi di approcci al Quantum Machine Learning

Ora che hai visto il workflow base in quattro passaggi, vale la pena chiedersi: quanto di quel workflow deve davvero girare su hardware quantistico? Ci sono all'incirca tre modi per combinare calcolo quantistico e machine learning, e differiscono soprattutto per quanto lavoro svolge effettivamente la macchina quantistica.

Machine learning potenziato dal quantistico

Qui il modello è essenzialmente classico, ma un passaggio costoso viene affidato a una routine quantistica per un potenziale speedup: risolvere un sistema lineare, stimare un kernel, campionare da una distribuzione. Il resto della pipeline assomiglia all'apprendimento supervisionato che costruiresti nel nostro corso Supervised Learning with scikit-learn.

Modelli completamente quantistici

All'altro estremo, questi girano end-to-end su hardware quantistico, con dati e modello entrambi in stati quantistici. Sono la versione più ambiziosa del QML e, non a caso, la meno pratica al momento: l'hardware attuale non può supportarli a una scala utile.

Modelli ibridi quantistico-classici

Tra questi due estremi c'è l'approccio che oggi funziona davvero, ed è dove si concentra quasi tutta la ricerca seria in QML. Un circuito quantistico parametrico gestisce parte del calcolo mentre un ottimizzatore classico lo allena. Elude i limiti di un hardware piccolo e rumoroso chiedendo alla macchina quantistica di fare solo ciò in cui è attualmente brava.

Algoritmi di Quantum Machine Learning

Incontrerai più volte le stesse famiglie di algoritmi. Le tengo a un livello alto: la matematica diventa tosta in fretta, e non ti serve per capire a cosa serve ciascuna.

Circuiti quantistici variazionali (VQC)

Un circuito quantistico variazionale è un circuito quantistico con parametri regolabili, addestrato con quel loop ibrido descritto prima. È il cavallo di battaglia del QML di breve periodo ed è la base della maggior parte degli altri modelli qui. Ecco più o meno come appare in PennyLane, una popolare libreria open-source di QML:

import pennylane as qml

# A 2-qubit device that runs on a local simulator
dev = qml.device("default.qubit", wires=2)

@qml.qnode(dev)
def variational_circuit(inputs, weights):
    # Encode two input features as qubit rotation angles
    qml.AngleEmbedding(inputs, wires=[0, 1])
    # The trainable layer a classical optimizer will adjust
    qml.BasicEntanglerLayers(weights, wires=[0, 1])
    # Measure to get a value we can feed back into training
    return qml.expval(qml.PauliZ(0))

I pesi sono ciò che l'ottimizzatore classico aggiorna per molte iterazioni, proprio come la discesa del gradiente aggiorna i pesi di una rete neurale. Con questo schema stabilito, i restanti algoritmi suoneranno come variazioni sul tema.

Support vector machine quantistici

Un support vector machine quantistico mantiene la struttura di un SVM classico ma usa un circuito quantistico per calcolare il kernel: la similarità tra punti dati. La speranza è che uno spazio delle feature quantistico possa catturare pattern con cui un kernel classico faticherebbe. Se ciò aiuti su dataset reali è ancora una questione aperta.

Reti neurali quantistiche (QNN)

Le reti neurali quantistiche organizzano circuiti parametrizzati in layer e li addestrano in modo simile alle reti classiche. Se hai addestrato un modello nel nostro corso Introduction to Deep Learning in Python, il loop ti sarà familiare: forward pass, loss, aggiornamento, solo che il forward pass gira su un circuito quantistico.

Quantum k-means

Quantum k-means è quello per il clustering: usa sottoroutine quantistiche per stimare le distanze tra punti, l'operazione che domina il k-means classico su larga scala. È l'esempio più diretto in questa lista di "sostituisci un passaggio costoso con una versione quantistica".

Ti starai chiedendo, dati tutti questi algoritmi, se qualcuno di loro mantenga davvero la promessa di speedup quantistici. È esattamente ciò che vedremo ora.

Vantaggi potenziali del Quantum Machine Learning

Si citano più spesso tre possibili lati positivi. Alcuni problemi strutturati, come la simulazione di sistemi quantistici in chimica e scienza dei materiali, si mappano naturalmente sull'hardware quantistico, ed è lì che un vantaggio sembra più plausibile. Gli spazi delle feature quantistici potrebbero anche rappresentare relazioni complesse difficili da catturare in modo classico. E per alcuni algoritmi specifici, la teoria indica speedup grandi, persino esponenziali.

Nota che continuo a dire potenziali. Questi vantaggi sono per lo più dimostrati sulla carta, sotto assunzioni che l'hardware reale non soddisfa ancora. Un esempio preferito del divario: diversi speedup teorici assumono che i tuoi dati siano già caricati in uno stato quantistico, ma caricare dati classici in quello stato può costare quanto il risparmio ottenuto. Questo tipo di collo di bottiglia nascosto è esattamente il motivo per cui i vantaggi dichiarati e quelli dimostrati sono ancora due liste molto diverse.

Dato quel divario, vale la pena fare un passo indietro e mettere ML classico e quantistico fianco a fianco direttamente.

Quantum Machine Learning vs. Machine Learning classico

Il modo più pulito per vedere la differenza è side by side.

Il ML classico domina il lavoro reale di oggi e lo farà per il prossimo futuro: strumenti, hardware e talenti ci sono tutti. Il QML è lo sfidante delle prime fasi che forse un giorno si ritaglierà una nicchia nei problemi dove la sua struttura quantistica paga. Trattarli come rivali manca il punto. Per ora giocano in campionati diversi, e la domanda interessante è quali problemi alla fine passeranno dall'uno all'altro.

Questa inquadratura dei "campionati diversi" è anche il miglior antidoto ai miti che tendono a seguire questo campo, quindi affrontiamoli direttamente.

Falsi miti comuni sul Quantum Machine Learning

Ci sono alcuni miti che seguono il QML, ed è utile sfatarli.

"Il ML quantistico è più veloce in tutto." Non lo è. Gli speedup proposti si applicano ad algoritmi specifici in condizioni specifiche. Per la stragrande maggioranza dei compiti di ML, una macchina quantistica non offre vantaggi, e gira più lentamente una volta considerato l'hardware attuale.

"I computer quantistici rimpiazzeranno quelli classici." No. Sono acceleratori specializzati rivolti a una classe ristretta di problemi, non sostituti generici. Il tuo portatile non andrà da nessuna parte, e nemmeno la parte classica di ogni modello QML ibrido.

"Il QML è pronto per la produzione oggi." Questo è quello che inganna più spesso i nuovi arrivati. Il campo è sperimentale, l'hardware è limitato e rumoroso e quasi tutto gira su simulatori. Il QML è qualcosa da imparare e seguire ora, non qualcosa da mettere in produzione.

Tolto di mezzo l'hype, resta un campo genuinamente interessante che vale la pena imparare alle sue condizioni. Quindi se sei abbastanza curioso da voler scrivere un po' di codice, ecco da dove partire.

Iniziare con il Quantum Machine Learning

Se i concetti ti hanno incuriosito abbastanza da voler scrivere codice, la buona notizia è che gli strumenti sono open-source e adatti ai principianti. PennyLane (la libreria dell'esempio sopra) e Qiskit sono i due punti d'ingresso più comuni, e girano entrambi su simulatori, così non ti serve l'accesso a una vera macchina quantistica per iniziare a sperimentare. Il modulo di machine learning di Qiskit include kernel, classificatori e reti neurali quantistici già pronti, e si collega a PyTorch, rendendolo un ponte comodo dal lavoro classico.

Il mio consiglio: consolida prima le basi classiche. Il loop ibrido, gli ottimizzatori, il modo in cui si allena un modello, tutto questo è classico, ed è la parte su cui farai più affidamento. Il nostro track Machine Learning Scientist in Python copre queste fondamenta, e da lì i pezzi specifici del quantistico sono un add-on, non una ripartenza da zero. Impara eseguendo circuiti e regolando parametri; leggere della sovrapposizione ti porta solo fino a un certo punto.

Conclusione

Il quantum machine learning sta al punto d'incontro di due campi in rapido movimento, prendendo in prestito il modo in cui il calcolo quantistico rappresenta l'informazione per affrontare parti della pipeline di ML. Ho cercato di restare con i piedi per terra, perché l'argomento attira più hype di quasi qualsiasi altra cosa in tecnologia oggi, e il riassunto onesto è modesto: il QML è agli inizi, perlopiù sperimentale e genuinamente incerto su dove darà frutti.

Non è un motivo per ignorarlo. È un motivo per capirne le basi ora, mentre il campo è ancora abbastanza piccolo da poterlo imparare da cima a fondo. Se l'hardware quantistico maturerà come sperano gli ottimisti, chi già capisce come si combinano qubit, circuiti e training ibrido sarà pronto a usarlo. E se non dovesse funzionare ovunque, avrai comunque imparato un angolo affascinante dell'informatica che, onestamente, non è affatto un brutto risultato.