Prossima frontiera, l’IA quantistica
Si parla incessantemente di intelligenza artificiale (IA) da anni ormai. Un’ascesa tecnologica molto rapida, guidata dall’adozione delle IA generative come ChatGPT, che potrebbe risultare ancora più accelerata con lo sviluppo della nuova frontiera dell’IA quantistica.
Un settore a dir poco di punta e molto complesso, caratterizzato da ingenti investimenti in ricerca, sviluppo e innovazione, e dalla realizzazione di sempre nuovi e più potenti computer quantistici.
Una convergenza, quella tra quantistica, apprendimento automatico e IA, che potrebbe portare entro pochissimi anni a scoperte scientifiche sensazionali (senza contare il miglioramento di quelle già acquisite).
Come spiegato dal nostro Consiglio nazionale delle ricerche (Cnr), in un progetto di IA quantistica a livello nazionale, le ricadute dell’intelligenza artificiale quantistica saranno molto ampie e riguarderanno numerosi ambiti di applicazione, dalla salute all’aerospazio, dall’ottimizzazione dei processi industriali alla sicurezza, dal riconoscimento di immagini alla finanza, passando per l’agricoltura e al comprensione del sistema climatico terrestre e regionale.
Un settore di studi che cerca di utilizzare le proprietà uniche dei computer quantistici, che sfruttano gli effetti della meccanica quantistica (come la sovrapposizione e l’entanglement), per migliorare le capacità dei sistemi di intelligenza artificiale.
Siamo tuttavia ancora nella fase inziale di questo promettente ambito scientifico e tecnologico e sono ancora molte le sfide da affrontare.
Come funzionano IA e algoritmi quantistici
Si deve innanzitutto codificare i dati a livello quantistico attraverso i qubit, l’unita base dell’informazione quantistica (se il bit in informatica può assumere il valore di 1 o 0, il qubit può essere contemporaneamente 1 e 0, il che consente di fare un salto in avanti notevole in termini di potenza e qualità di calcolo).
Successivamente, come ben spietato in un articolo di James Dargan su The Quantum Insider, il computer quantistico deve sviluppare un modello dedicato, calibrando le specifiche del circuito quantistico (già fondamentale nella codifica) con l’output di risposta.
Una volta addestrato il modello in maniera efficace si passa alla fase previsionale relativa ai nuovi dati. Questi ultimi dovranno essere codificati in uno stato quantistico e inseriti nel circuito addestrato per acquisire il risultato atteso.
I ricercatori sono molto ottimisti sullo sviluppo di più potenti algoritmi di machine learning, ma per fare questo servono computer quantistici su larga scala e un livello di errore molto basso.
I computer quantistici sono dispositivi meccanici quantistici controllabili che sfruttano le proprietà della fisica quantistica per eseguire calcoli. Per alcune attività di calcolo, il calcolo quantistico aumenta la velocità in modo esponenziale grazie a tre fenomeni della meccanica quantistica: sovrapposizione, interferenza ed entanglement.
Si parte dell’ottimizzazione del circuito quantistico, a cui deve seguire la correzione degli errori (molto spesso legati al rumore di sistema e altre anomalie), per finire alla fase di testing in un computer quantistico o attraverso un simulatore di pari grado.
Ulteriori test saranno eseguiti da esperti informatici, matematici e di meccanica quantistica, da cui ottenere feedback di valutazione sull’algoritmo quantistico, utili per effettuare correzioni e modifiche, migliorandone le prestazioni.
Impieghi dell’IA quantistica
Raggiunto un adeguato livello di sviluppo dell’IA quantistica e dei suoi algoritmi si può pensare alle applicazioni in diversi settori già oggi considerati strategici per l’industria, le imprese e il settore finanziario.
Si parla di arrivare a realizzare nuovi materiali, farmaci e prodotti chimici avanzati con ampie applicazioni (dalla medicina all’agricoltura, dall’energia ai trasporti), oppure sviluppare modelli meteo-climatici di nuova generazione, in grado di disegnare nuovi scenari e ideare nuove soluzioni.
Ma l’IA quantistica potrà essere molto utile anche per risolvere problemi pratici legati alla logistica e alle catene di approvvigionamento per potenziare la produzione.
Lo stesso si può dire delle sue applicazioni nel settore economico-finanziario, con l’ampliamento ulteriore della base dati finanziaria a disposizione degli analisti, utile ad individuare possibili trend, nella valutazione del rischio e nel contrasto alle frodi e alle attività criminali in generale.
Ulteriori sviluppi sono attesi nella progettazione di soluzioni avanzate di cybersecurity e nel potenziamento dell’intelligenza generale artificiale, cioè quei modelli di IA che dovranno assomigliare sempre più al modello umano di ragionamento e apprendimento, da cui ottenere poi rilevanti avanzamenti nei settori della visione artificiale, nell’elaborazione del linguaggio umano e nella robotica.
