← Ultimi articoli
⚛️ fisica quantistica

Uncertainty-aware quantum machine learning based on Dempster-Shafer theory

Questo articolo introduce un framework di classificazione quantistica consapevole dell'incertezza basato sulla teoria di Dempster-Shafer che consente ai circuiti quantistici parametrizzati di apprendere ed esprimere l'incertezza della predizione su insiemi di etichette, offrendo un approccio efficiente dal punto di vista delle risorse alla fusione di Dempster-Shafer quantistica.

Autore originale: Marie Kempkes, Jakob Spiegelberg, Evert van Nieuwenburg, Vedran Dunjko

Pubblicato 2026-11-13
📖 4 min di lettura🧠 Approfondimento

Autore originale: Marie Kempkes, Jakob Spiegelberg, Evert van Nieuwenburg, Vedran Dunjko

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dall'autore. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Nel mondo dell'intelligenza artificiale, un modello che fornisce semplicemente la risposta corretta la maggior parte delle volte spesso non è sufficiente. Immaginate un'auto a guida autonoma che identifica correttamente un pedone nove volte su dieci, ma non riesce a riconoscere un ostacolo raro e insolito la decima volta. Se il sistema non è in grado di segnalare di essere incerto, le conseguenze possono essere gravi. Questa è la sfida dell'incertezza: conoscere non solo cosa pensa un computer, ma quanto è sicuro di quel pensiero. Mentre l'apprendimento automatico tradizionale ha sviluppato modi per misurare questo dubbio, il campo emergente del quantum machine learning si è concentrato ampiamente sulla velocità pura e sull'accuratezza, lasciando la questione dell'affidabilità in gran parte non affrontata. I ricercatori si stanno ora chiedendo come costruire computer quantistici che possano ammettere quando non conoscono la risposta, una capacità essenziale per implementare questi potenti strumenti in situazioni reali ad alto rischio.

Un team di ricercatori ha compiuto un passo significativo verso la risoluzione di questo problema insegnando ai circuiti quantistici a esprimere l'incertezza utilizzando un quadro matematico chiamato teoria di Dempster-Shafer. A differenza della probabilità standard, che assegna una singola percentuale di probabilità a un risultato specifico, questa teoria permette a un modello di assegnare un peso a gruppi di possibilità contemporaneamente. Pensatelo come la differenza tra dire "Sono sicuro al 90% che sia un cane" e dire "Sono sicuro che sia o un cane o un lupo, ma non riesco a distinguere quale". Questa distinzione è fondamentale perché separa l'incertezza causata dalla mancanza di informazioni dall'incertezza causata dall'ambiguità intrinseca dei dati stessi. Adattando questo metodo classico per i sistemi quantistici, i ricercatori hanno creato un nuovo tipo di classificatore che non produce solo una singola previsione, ma piuttosto una mappa strutturata di ciò che sa e di ciò che non sa.

Il cuore del loro lavoro riguarda un circuito quantistico parametrizzato, un tipo di programma quantistico in cui le impostazioni possono essere regolate durante l'addestramento. I ricercatori hanno progettato un processo di addestramento che incoraggia il circuito a distribuire la sua "fiducia" su diversi set di etichette piuttosto che concentrarla tutta su una specifica risposta. Quando al circuito viene fornita un'immagine, esso produce uno stato quantistico in cui le probabilità di diversi risultati corrispondono a questi pesi di confidenza. Se l'input è chiaro e familiare, il modello concentra il suo peso sull'unica etichetta corretta. Tuttavia, se l'input è confuso o insolito, il modello distribuisce naturalmente il suo peso su un gruppo più ampio di potenziali etichette, segnalando efficacementamente di essere incerto. Questo comportamento emerge direttamente dai dati durante l'addestramento, senza richiedere complessi aggiustamenti esterni.

Per testare se questo approccio funzioni effettivamente, il team ha eseguito simulazioni utilizzando dataset di immagini del mondo reale. Hanno addestrato i loro modelli quantistici a riconoscere le cifre e poi li hanno sfidati con immagini che non avevano mai visto prima. Un sistema di incertezza affidabile dovrebbe segnalare queste immagini familiari come rischiose. I risultati hanno mostrato che il loro metodo è stato altamente efficace in questo compito. I modelli hanno distinto con successo tra immagini familiari e immagini strane o fuori dall'ordinario, con le misure di incertezza che identificavano correttamente i dati non familiari con alta precisione. Ciò suggerisce che i circuiti quantistici hanno imparato a riconoscere i limiti della propria conoscenza, un tratto vitale per qualsiasi sistema destinato a operare in sicurezza nel mondo reale.

I ricercatori hanno anche esplorato come questi modelli possano lavorare insieme. In molti scenari complessi, diversi sensori o diversi tipi di dati potrebbero fornire informazioni contrastanti o parziali. Il team ha dimostrato che i loro modelli quantistici possono combinare le loro valutazioni individuali in una conclusione singola e più affidabile. Fondendo le mappe di incertezza di diversi classificatori quantistici, il sistema può arrivare a un quadro più chiaro di quanto un singolo modello potrebbe ottenere da solo. Questo processo, noto come fusione di massa (mass fusion), ha dimostrato di migliorare l'accuratezza complessiva, provando che questi modelli quantistici possono collaborare per ridurre il dubbio e affinare le previsioni.

Sebbene gli attuali esperimenti siano stati condotti su computer quantistici simulati piuttosto che su hardware fisico, i risultati offrono un modello pratico per il futuro. Lo studio suggerisce che le macchine quantistiche possono essere addestrate a essere oneste riguardo ai propri limiti, andando oltre i semplici punteggi di accuratezza per fornire una valutazione più ricca e affidabile delle loro decisioni. Integrando questi metodi consapevoli dell'incertezza, il campo si avvicina a sistemi quantistici che siano non solo potenti, ma anche sicuri e affidabili per applicazioni critiche come la guida autonoma o la diagnosi medica. Il lavoro stabilisce che i modelli quantistici possono imparare a esprimere l'intero spettro della loro conoscenza, dalla certezza assoluta all'ignoranza completa, fornendo una base necessaria per la prossima generazione di macchine intelligenti.

Sommerso dagli articoli nel tuo campo?

Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.

Prova Digest →