Per anni tra l’immenso potenziale dell’informatica quantistica e le esigenze pratiche dell’intelligenza artificiale si è creato un collo di bottiglia fondamentale. Anche se i computer quantistici eccellono in calcoli matematici complessi, hanno faticato a elaborare i set di dati enormi e “disordinati”, come sequenze genomiche o recensioni dei consumatori, che guidano il moderno apprendimento automatico.
Una nuova ricerca condotta da Hsin-Yuan Huang di Oratomic suggerisce che potremmo aver finalmente trovato un modo per colmare questo divario, consentendo potenzialmente alle macchine quantistiche di superare anche i più potenti supercomputer classici nelle attività di intelligenza artificiale.
Il problema del “muro della memoria”.
Per comprendere questa svolta, è necessario comprendere l’ostacolo principale: il caricamento dei dati.
Nell’informatica classica, i dati vengono memorizzati in bit (0 e 1). Nell’informatica quantistica, i dati vengono elaborati utilizzando la “sovrapposizione”, uno stato in cui esistono più possibilità contemporaneamente. Per sfruttare la potenza quantistica per l’intelligenza artificiale, i ricercatori in precedenza credevano che tutti gli enormi set di dati dovessero essere convertiti in questo stato quantistico e archiviati in una memoria quantistica specializzata prima che l’elaborazione potesse iniziare.
Il problema era la scala. Per archiviare dati sufficienti a rendere il calcolo quantistico utile per l’intelligenza artificiale, la memoria quantistica richiesta avrebbe dovuto essere incredibilmente grande, più grande di quanto è fisicamente ottenibile con la tecnologia attuale o del prossimo futuro.
Una soluzione “streaming”.
Huang e il suo team, incluso Haimeng Zhao del California Institute of Technology, hanno proposto un cambio di paradigma. Invece di provare a “scaricare” un intero enorme set di dati nella memoria quantistica tutto in una volta, il loro metodo consente di inserire i dati nel computer in lotti più piccoli.
Considerala come la differenza tra scaricare un enorme file di film 4K prima di guardarlo (che richiede un enorme spazio di archiviazione) e streamizzarlo in streaming poco a poco (che richiede molto meno).
Elaborando i dati in modo incrementale, i ricercatori hanno dimostrato che:
– I computer quantistici possono gestire set di dati di grandi dimensioni senza bisogno di quantità impossibili di memoria.
– Il vantaggio della memoria è sconcertante: un computer quantistico con soli 300 “qubit logici” a prova di errore potrebbe teoricamente sovraperformare un computer classico costruito con ogni singolo atomo nell’universo osservabile.
Cronologia e impatto nel mondo reale
Sebbene il vantaggio teorico sia enorme, l’applicazione pratica è ancora all’orizzonte.
- Il breve termine: I ricercatori stimano che un computer da 60 qubit logici potrebbe essere costruito entro la fine di questo decennio. Anche a queste dimensioni relativamente piccole, lo studio suggerisce che potrebbe emergere un “vantaggio quantistico” per specifiche attività relative ai dati basate sull’intelligenza artificiale.
- Applicazioni scientifiche: questa tecnologia potrebbe rivelarsi trasformativa per ambienti scientifici ad alto rendimento, come il Large Hadron Collider, dove enormi quantità di dati vengono generate così rapidamente che gran parte di essi deve essere scartata a causa dei limiti di memoria.
- Avvertenze: Gli esperti avvertono che non tutta l’intelligenza artificiale passerà alla tecnologia quantistica. La maggior parte delle attuali attività di intelligenza artificiale, quelle che attualmente comportano un massiccio consumo di energia nei data center, rimarranno probabilmente sulle GPU classiche. Inoltre, i ricercatori devono garantire che questi nuovi algoritmi non possano essere “dequantizzati” (replicati sui computer classici senza perdere il loro vantaggio).
“La macchina quantistica è un dispositivo molto potente, ma bisogna prima alimentarla. Questo studio parla di alimentazione e di come sia sufficiente caricare [dati] poco a poco, senza sovralimentare la bestia.” — Adrián Pérez-Salinas, ETH Zurigo
Conclusione
Risolvendo il problema di come “alimentare” i dati a un processore quantistico senza sovraccaricarne la memoria, i ricercatori hanno eliminato un grosso ostacolo verso l’IA quantistica pratica. In caso di successo, questo approccio di “streaming” potrebbe consentire ai computer quantistici di gestire enormi quantità di dati scientifici e analitici che attualmente sono impossibili da elaborare anche per i più grandi supercomputer classici.
