Un metodo di apprendimento diverso. Una strategia alternativa nella compilazione quantistica. Un approccio che riduce il tempo di esecuzione complessivo migliorando il compromesso tra la lunghezza della sequenza e il tempo di esecuzione, consentendo potenzialmente operazioni in tempo reale. Così l’Italia batte Google, grazie alle tecniche di Deep Learning del CNR di Milano. 
E’ proprio un team di ricercatori italiani, coordinato da Enrico Prati dell’Istituto di fotonica e nanotecnologie del Consiglio nazionale delle ricerche di Milano, ha sviluppato un compilatore quantistico per programmare un algoritmo per qualsiasi PC quantistico, basato su porte logiche e con il decisivo ausilio dell’intelligenza artificiale.
La compilazione quantistica e gli algoritmi per calcolare i circuiti di approssimazione
Il calcolo quantistico avviene al suo livello più basso mediante operazioni fisiche descritte da matrici unitarie che agiscono sullo stato dei qubit. Tuttavia, i computer quantistici possono fornire solo un insieme limitato di trasformazioni, in base ai vincoli della loro architettura. Il calcolo è realizzato come circuiti di porte quantistiche, ossia sequenze ordinate di operatori unitari, che agiscono su pochi qubit contemporaneamente.
Sebbene il teorema di Solovay Kitaev assicuri che qualsiasi calcolo possa essere approssimato, entro una tolleranza arbitraria, come un circuito basato su un insieme finito di operatori, non esiste una strategia ottimale per stabilire come calcolare tale sequenza. Il problema è noto come compilazione quantistica e gli algoritmi per calcolare circuiti di approssimazione adatti come compilatori quantistici.
“Analogamente ai computer convenzionali, in cui i bit sono sottoposti ai calcoli attraverso dalle porte logiche, anche nei computer quantistici è necessario impiegare porte logiche quantistiche”. Così parlò Enrico Prati, coordinatore Cnr-Ifn di Milano. “Le logiche quantistiche vanno programmate da una sorta di sistema operativo che conosce quali sono le operazioni realizzabili – spiega Prati – tuttavia esistono molte versioni diverse di hardware che forniscono differenti operazioni realizzabili, come un piccolo mazzo di carte da gioco da cui scegliere”.
LEGGI ANCHE >>> Honor vuole arrivare ai livelli di Apple e per farlo lascerà i servizi di Huawei fuori dalla Cina, ecco la strategia
Ogni compilatore quantistico ha il suo trade-off tra la lunghezza delle sequenze, che dovrebbe essere la più breve possibile, il tempo di precompilazione, ossia il tempo impiegato dall’algoritmo per essere pronto per l’uso. E infine il tempo di esecuzione, cioè il tempo impiegato dall’algoritmo per restituire la sequenza. “Il nostro modello supera un brevetto simile di Google che utilizza l’intelligenza artificiale dopo l’addestramento ma per una sola porta logica – sottolinea Prati – poi è richiesto un nuovo addestramento. Noi abbiamo invece individuato come costruire tutte le porte logiche quantistiche con un addestramento unico, dopo il quale si può richiamare subito la soluzione per una qualsiasi porta logica, con il cosiddetto deep learning”. L’apprendimento profondo è una sottocategoria del Machine Learning (apprendimento automatico) e indica quella branca dell’Intelligenza Artificiale che fa riferimento agli algoritmi ispirati alla struttura e alla funzione del cervello: le reti neurali artificiali.
LEGGI ANCHE >>> JRR Token, la criptovaluta “per domare tutte le altre” ispirata al Signore degli Anelli da meme coin a realtà
“I computer quantistici promettono di risolvere problemi di calcolo molto più rapidamente che con l’hardware – conclude Prati – attualmente esistente e i compilatori quantistici sono un elemento fondamentale per un loro controllo efficiente”. Italians do it better.
