Computer quantistico italiano batte Google: tutto merito del deep learning
Perché un computer esegua correttamente le operazioni richieste è necessario che venga istruito, in pratica il compilatore deve essere in grado di interpretare il linguaggio di programmazione in qualcosa che sia comprensibile per la macchina. E se per eseguire le operazioni sui computer tradizionali il compilatore sfrutta le porte logiche (circuiti digitali), i computer quantistici necessitano di porte logiche quantistiche.
Da qui è partito lo studio condotto dall'Istituto di fotonica e nanotecnologie del CNR di Milano guidato da Enrico Prati e pubblicato sulla rivista Communications Physics di Nature. Meglio, è partito da questa domanda:
e se l'hardware a nostra disposizione non mettesse a disposizione le porte logiche necessarie per portare a termine l'operazione da noi richiesta?
Come spiega Enrico Prati, "esistono molte versioni diverse di hardware che forniscono differenti operazioni realizzabili, come un piccolo mazzo di carte da gioco da cui scegliere". In altre parole: non importa quanto potente sia l'hardware a nostra disposizione, se non ha gli strumenti che ci servono per raggiungere lo scopo che ci siamo prefissati bisogna trovare il modo di arrivarci attraverso una strada alternativa, ovvero una serie di passaggi intermedi che ci consentano di raggiungere il traguardo.
I computer quantistici sono dotati di hardware estremamente complessi ma mettono a disposizione solo alcune porte logiche fondamentali: per rispondere alla domanda di cui sopra la teoria quantistica ci viene in aiuto, ricordandoci che c'è sempre un modo per "costruire una porta logica quantistica a partire da quelle effettivamente implementabili su uno specifico hardware". Facile a dirsi, ma non da farsi, nel senso che teoricamente è possibile, sì, ma nessuno ci dice come si fa.
È un po’ come cercare un modo per partire da Roma Fiumicino e arrivare in tutte le città del mondo, potendo fare solo tragitti di esattamente 15.000 km lungo due precise direzioni, lungo meridiani o paralleli, e avendo a disposizione tutto il carburante che si vuole. Per arrivare a Roma Ciampino bisognerà fare moltissime volte il giro del mondo prima di atterrare e la sfida è stata risolvere il problema affidandosi alla capacità di astrazione dell’intelligenza artificiale
Il team di ricerca ha allora sviluppato con il deep learning un compilatore capace di trovare l'ordine giusto "per giocare le 5-6 carte a disposizione, anche con sequenze lunghe centinaia di giocate, scegliendo una per una quelle giuste per formare l'intera sequenza", spiega Lorenzo Moro del CNR. La sequenza finale nel nostro caso è l'algoritmo, che "dopo una fase di addestramento, che va da qualche ora a un paio di giorni, l'intelligenza artificiale impara a costruire per ogni porta logica quantistica partendo dalle operazioni disponibili, ma impiegando pochi millisecondi".
Dunque programmare un algoritmo su qualsiasi computer quantistico basato su porte logiche è possibile. Ci è riuscita anche Google, ma il risultato ottenuto dal CNR di Milano va ben oltre: qui basta un solo addestramento per tutte le porte logiche, perché una volta costruita la prima [porta logica], il deep learning sarà in grado di replicare l'operazione adattandola al nuovo contesto. Google, invece, che a Santa Barbara in California ha da poco inaugurato il Quantum AI Campus per lo sviluppo di computer quantistici, è arrivata allo stesso risultato ma l'addestramento va ripetuto per ogni porta logica. Ovvi i benefici, a partire dal tempo impiegato per i calcoli che nel caso italiano si limita a pochi millisecondi contro le ore (o i giorni) di Google.