Integrated Encoding and Quantization to Enhance Quanvolutional Neural Networks

Nel mondo in rapida evoluzione dell'informatica, sta emergendo una nuova frontiera dove le leggi della meccanica quantistica incontrano l'arte di insegnare alle macchine a vedere. Per decenni, l'intelligenza artificiale si è affidata ai computer classici per elaborare immagini, riconoscendo modelli in tutto, dalle scansioni mediche alle fotografie di galassie lontane. Questi sistemi, noti come reti neurali, sono potenti, ma stanno iniziando a scontrarsi con un muro di complessità. Entra in gioco il machine learning quantistico, un campo che cerca di sfruttare le proprietà strane e controintuitive della fisica quantistica per risolvere problemi troppo difficili per gli odierni supercomputer. L'applicazione più promettente in questo ambito è la capacità di elaborare immagini utilizzando circuiti quantistici, che possono potenzialmente estrarre caratteristiche nascoste dai dati che i metodi classici perdono. Tuttavia, rimane un ostacolo significativo: gli attuali computer quantistici sono fragili, rumorosi e hanno pochissimi blocchi costruttivi, chiamati qubit, a loro disposizione. Non sono ancora in grado di gestire i calcoli massicci e complessi richiesti per elaborare immagini di alta qualità senza perdere informazioni o andare in crash a causa delle interferenze. Ciò crea la necessità urgente di modi più intelligenti per alimentare questi delicati macchinari, garantendo che le limitate risorse disponibili siano utilizzate con la massima efficienza.

I ricercatori dell'Università di Udine e dell'Università di Napoli Federico II hanno affrontato questa sfida sviluppando un nuovo metodo per preparare ed elaborare i dati delle immagini per i computer quantistici. Il loro lavoro si concentra su un tipo specifico di rete neurale quantistica progettata per il riconoscimento di immagini, nota come rete neurale quanvoluzionale. A differenza dei modelli quantistici tradizionali che cercano di apprendere e regolare i propri parametri interni, questo approccio utilizza circuiti fissi e non addestrabili che agiscono come filtri sofisticati. Il team ha identificato due colli di bottiglia principali nel processo standard: il modo in cui le immagini vengono semplificate prima di entrare nel computer quantistico e il modo rigido in cui i dati vengono tradotti in stati quantistici. Hanno proposto una nuova pipeline che combina questi passaggi in un'unica operazione flessibile, consentendo al sistema di adattarsi ai severi limiti dell'hardware attuale pur mantenendo più dettagli dell'immagine originale.

La prima innovazione affronta il problema della semplificazione dei dati. Per essere eseguita su un computer quantistico, un'immagine deve essere convertita da un intervallo continuo di colori e sfumature in un formato che la macchina possa comprendere. Il metodo standard prevede la riduzione di un'immagine a soli due colori, bianco e nero, un processo chiamato quantizzazione binaria. Sebbene questo risparmi potenza di calcolo, scarta una vasta quantità di dettagli, proprio come cercare di descrivere un dipinto usando solo una manciata di colori primari. I ricercatori hanno introato un approccio flessibile che consente molti più livelli di grigio, preservando le sottili sfumature dell'immagine originale. Per rendere tutto ciò pratico, hanno utilizzato una tecnica chiamata memoizzazione, che funge da banca della memoria intelligente. Mentre il sistema elabora l'immagine, registra i risultati per ogni modello unico che incontra. Se lo stesso modello appare di nuovo, il sistema richiama semplicemente la risposta invece di ricalcolarla. Questa strategia ha permesso loro di utilizzare un numero molto più elevato di livelli di grigio, mantenendo l'immagine ricca di dettagli, riducendo simultaneamente il numero di volte in cui il computer quantistico doveva eseguire i suoi calcoli di oltre il 95 percento per determinati dataset.

La seconda, e forse più significativa, scoperta riguarda il modo in cui i dati vengono effettivamente immessi nel circuito quantistico. Nei metodi precedenti, la dimensione del frammento di immagine analizzato dettava il numero di blocchi costruttivi quantistici richiesti. Se un ricercatore voleva analizzare un frammento di immagine più grande, aveva bisogno di un numero proporzionalmente maggiore di qubit, il che superava rapidamente la capacità delle macchine disponibili. Il nuovo metodo rompe questo legame rigido. Integrando i passaggi di traduzione dei dati e di elaborazione in un unico circuito, i ricercatori possono scegliere il numero di qubit indipendentemente dalla dimensione del frammento di immagine. Ciò significa che possono utilizzare un numero piccolo e gestibile di qubit per elaborare frammenti di immagine molto più grandi, o scalare all'aumentare della disponibilità di hardware migliore. Il sistema funziona utilizzando la luminosità dei pixel direttamente per controllare la rotazione dei gate quantistici, creando un ponte diretto ed efficiente tra l'immagine classica e il processore quantistico.

Per testare le loro idee, il team ha applicato questo nuovo modello a due problemi del mondo reale molto diversi. Il primo riguardava la classificazione di immagini di galassie, distinguendo tra due tipi specifici di strutture cosmiche. Il secondo compito consisteva nell'identificare diversi tipi di particelle subatomiche in base alle loro firme energetiche in un rilevatore. Hanno confrontato il loro nuovo modello integrato con un programma per computer classico standard e con il metodo quantistico tradizionale che utilizza la codifica rotazionale. I risultati sono stati chiari: il nuovo modello integrato ha superato costantemente l'approccio quantistico tradizionale in tutte le dimensioni dei frammenti di immagine testate. Nel compito di classificazione delle galassie, ha raggiunto un'accuratezza superiore all'80 percento, superando sia il modello quantistico standard che il computer classico. Nel compito di rilevamento delle particelle, ha inoltre battuto il computer classico, mentre il modello quantistico tradizionale non è stato all'altezza.

Lo studio ha anche rivelato che la specifica funzione matematica utilizzata per tradurre la luminosità dei pixel in impostazioni quantistiche contava molto. Alcune funzioni portavano a risultati stabili e ad alte prestazioni, mentre altre rendevano il sistema erratico e inaffidabile. Ciò suggerisce che la "personalità" del circuito quantistico è tanto importante quanto la sua struttura. Inoltre, i ricercatori hanno scoperto che la capacità del loro nuovo circuito di esplorare diverse possibilità, una proprietà nota come espressività, può essere regolata semplicemente aggiungendo più passaggi al calcolo. Questa flessibilità permette agli scienziati di progettare circuiti che siano perfettamente abbinati ai vincoli specifici del loro hardware, un vantaggio cruciale nell'attuale era di dispositivi quantistici a scala intermedia e rumorosi.

In definitiva, questo lavoro dimostra che non dobbiamo aspettare computer quantistici perfetti e privi di errori per vedere i benefici nell'elaborazione delle immagini. Ripensando a come i dati vengono preparati e a come interagiscono con il circuito quantistico, è possibile costruire modelli che siano sia più accurati che più efficienti dal punto di vista delle risorse. I ricercatori hanno reso il loro codice e i loro metodi disponibili al pubblico, invitando altri a costruire su questa base. Le loro scoperte suggeriscono che, con la giusta ingegneria, il machine learning quantistico può andare oltre gli esperimenti teorici e iniziare a risolvere problemi pratici in astronomia, fisica e oltre, anche con le macchine imperfette che abbiamo oggi.