Object Detection Using Quantum Transfer Learning

Nel mondo dell'intelligenza artificiale, i computer stanno diventando straordinariamente bravi a riconoscere cosa siano le cose. Possono guardare una fotografia e dirvi che un cane è seduto su un tappeto. Ma rimane una sfida più difficile: insegnare a una macchina non solo a identificare il cane, ma anche a individuare esattamente dove si trova nell'immagine, disegnando un riquadro preciso attorno ad esso. Questo compito, noto come rilevamento di oggetti (object detection), richiede che il computer impari due cose contemporaneamente: l'identità dell'oggetto e la sua posizione continua nello spazio. Mentre i programmi informatici tradizionali sono riusciti a gestire questo aspetto utilizzando enormi quantità di dati e milioni di parametri regolabili, spesso faticano a bilanciare questi due obiettivi in modo efficiente. Un nuovo campo, il machine learning quantistico, offre una strada diversa. Esso utilizza le strane regole della fisica quantistica, dove le particelle possono esistere in più stati contemporaneamente, per elaborare le informazioni. Tuttavia, la maggior parte dei primi tentativi di utilizzare i computer quantistici per l'apprendimento si è concentrata solo su semplici domande di tipo sì-o-no, lasciando in gran parte inesplorato il complesso compito di trovare e incorniciare gli oggetti.

Un team di ricercatori della Shahrood University of Technology in Iran ha ora colmato questa lacuna. Hanno costruito un nuovo tipo di sistema ibrido che combina un programma informatico standard con un piccolo circuito quantistico per il rilevamento di oggetti. Il loro lavoro suggerisce che, per risolvere questo difficile problema, un computer quantistico non ha bisogno di essere completamente intrecciato, o profondamente interconnesso, come molti scienziati credevano in precedenza. Al contrario, hanno scoperto che controllare attentamente il modo in cui l'informazione fluisce attraverso il sistema permette di ottenere prestazioni elevate con molti meno parametri da regolare.

I ricercatori sono partiti da un programma informatico standard, pre-addestrato, che è già molto bravo a individuare caratteristiche visive nelle immagini. Hanno preso l'output da questo programma e lo hanno inserito in un minuscolo sistema quantistico composto da soli otto bit quantistici, o qubit. I qubit sono le unità fondamentali di informazione in un computer quantistico. Il team ha diviso questi otto qubit in due gruppi. I primi quattro erano dedicati a capire cos'era l'oggetto, come un gatto o un cane. Gli altri quattro sono stati assegnati al compito di calcolare le coordinate esatte del riquadro che avrebbe circondato l'oggetto. Questa separazione ha permesso al sistema di gestire i due diversi tipi di apprendimento simultaneamente, senza che si ostacolassero a vicenda.

Per collegare questi due gruppi di qubit, i ricercatori hanno testato due diversi schemi di cablaggio. Un modello era una linea retta, dove ogni qubit era connesso solo al proprio vicino immediato. L'altro era un cerchio, dove l'ultimo qubit era connesso al primo, creando un ciclo chiuso. Hanno scoperto che la disposizione circolare funzionava significativamente meglio. In questa configurazione circolare, la connessione tra i due gruppi di qubit era sorprendentemente debole, eppure il sistema eseguiva il compito di rilevamento con grande precisione. Infatti, il design circolare ha raggiunto un punteggio di rilevamento di 0,9448, quasi identico alle prestazioni di modelli informatici tradizionali molto più grandi.

Ciò che rende questo risultato così sorprendente è l'efficienza. Il nuovo modello quantistico richiedeva solo circa diecimila parametri regolabili per apprendere il compito. Al contrario, i grandi modelli tradizionali che hanno confrontato con esso necessitavano di oltre un milione di parametri per ottenere risultati simili. Ciò rappresenta una riduzione di oltre il 99 percento del numero di parametri necessari. I ricercatori hanno dimostrato che, utilizzando il cablaggio circolare, potevano sopprimere la quantità di entanglement tra i due compiti. L'entanglement è un fenomeno quantistico in cui le particelle diventano legate in modo che lo stato di una influenzi istantaneamente l'altra. Per molto tempo, si è assunto che un maggiore entanglement significasse maggiore potenza. Questo studio suggerisce il contrario: limitare l'entanglement e controllare il flusso di informazioni aiuta effettivamente il sistema a imparare meglio.

Il team ha anche esaminato il processo attraverso la lente della termodinamica, la branca della fisica che si occupa di calore ed energia. Hanno interpretato il processo di apprendimento come un sistema che cerca di raggiungere uno stato di bassa energia e basso disordine. Man mano che il modello apprendeva, l'incertezza nelle sue previsioni diminuiva, proprio come un oggetto caldo che si raffredda per adattarsi all'ambiente circostante. La parte del sistema responsabile del reperimento della posizione dell'oggetto agiva come una forza fisica che spingeva la previsione al suo posto, mentre la parte responsabile dell'identificazione dell'oggetto agiva per ridurre la confusione. Guardando il processo di apprendimento in questo modo, i ricercatori sono stati in grado di spiegare perché il sistema funzionasse così bene con così pochi parametri.

I risultati sfidano un'ipotesi comune nel campo dell'informatica quantistica. Molti esperti hanno creduto che, per risolvere problemi complessi, i computer quantistici debbano generare il maggior numero possibile di entanglement. Questo studio dimostra che, per il rilevamento di oggetti, la chiave non è la pura quantità di entanglement, ma come esso sia organizzato. Utilizzando una topologia circolare per regolare il flusso di informazioni, il sistema è stato in grado di filtrare il rumore non necessario e concentrarsi sui dettagli che contavano. Il risultato è un modello altamente efficiente che può identificare e localizzare oggetti con precisione, utilizzando una frazione delle risorse richieste dalle tecnologie attuali.

Questo lavoro apre una nuova porta per il modo in cui potremmo costruire l'intelligenza artificiale del futuro. Suggerisce che i sistemi quantistici più potenti potrebbero non essere quelli più caotici o interconnessi, ma piuttosto quelli che sono strutturati con cura per guidare l'informazione esattamente dove deve andare. I ricercatori hanno dimostrato che è possibile costruire un rilevatore potenziato dal quantum che sia sia incredibilmente accurato che straordinariamente snello. Man mano che l'hardware quantistico continua a migliorare, questi principi di flusso controllato dell'informazione e di efficienza mirata potrebbero diventare il modello per la prossima generazione di macchine intelligenti.