Quantum machine learning, cos'è, come funziona e quando conviene

Il quantum machine learning è l'intersezione tra le due tecnologie più celebrate del momento, e proprio per questo il terreno più fertile per proclami o promesse per adesso irrealizzabili. Questa guida adotta il taglio opposto, spiegando cosa è davvero il quantum machine learning, come funzionano kernel quantistici e reti neurali quantistiche, perché il caricamento dei dati è un ostacolo spesso sottovalutato, cosa ha insegnato la dequantizzazione, dove i vantaggi sono plausibili e dove no, e come sperimentare con onestà in emulazione quantistica. Il campo è giovane e affascinante, e proprio per questo merita rigore più che entusiasmo, perché l'obiettivo è dare gli strumenti per distinguere, su questo tema più che su ogni altro, la sostanza dall'aspettativa.

Che cos'è il quantum machine learning?

Il quantum machine learning è il campo che usa il calcolo quantistico per compiti di apprendimento automatico, come classificazione, regressione, clustering e generazione. In pratica, un circuito quantistico parametrico rappresenta il modello, i dati vengono codificati nello stato dei qubit e i parametri si ottimizzano per minimizzare la funzione di perdita, in uno schema ibrido quantistico-classico simile agli algoritmi variazionali. Non è una singola tecnica ma una famiglia di operazioni, dato che alcuni sostituiscono componenti dei modelli classici con controparti quantistiche, mentre altri ridisegnano l'apprendimento attorno alle proprietà quantistiche. Il campo è giovane, in rapida evoluzione, e va avvicinato sapendo che buona parte dei risultati è ancora tutta da esplorare.

Come funzionano i kernel quantistici?

I kernel quantistici rappresentano l'approccio con la fondazione teorica più solida nell'ambito del quantum machine learning. Questo paradigma deriva dai metodi kernel classici - come le macchine a vettori di supporto (SVM) - sviluppati per risolvere il problema della non-linearità: dati non separabili nello spazio originale possono diventarlo se proiettati in uno spazio a dimensionalità superiore. Il vantaggio computazionale del "kernel trick" risiede nella capacità di operare in tale spazio senza doverlo mappare esplicitamente, calcolando esclusivamente i prodotti scalari (ovvero le misure di similarità) tra coppie di punti. Un kernel quantistico estende radicalmente questo principio: utilizza un circuito quantistico, denominato feature map, per codificare i dati in stati quantistici, proiettandoli in uno spazio di Hilbert la cui dimensione cresce esponenzialmente con il numero di qubit. La similarità tra i dati viene quindi misurata come prodotto scalare tra i rispettivi stati. Il potenziale computazionale risiede nella feature map: se questa genera correlazioni che i metodi classici non possono calcolare in tempi polinomiali, il kernel quantistico può catturare strutture nei dati altrimenti inaccessibili. Tuttavia, l'effettivo vantaggio rimane condizionato, uno spazio a dimensionalità maggiore non è intrinsecamente superiore, e il successo dipende interamente dalla rilevanza di tali strutture rispetto al problema reale, una condizione che la teoria non garantisce a priori.

Cosa sono le reti neurali quantistiche?

Le reti neurali quantistiche sono circuiti parametrici usati come modelli addestrabili, l'analogo quantistico delle reti neurali. Uno strato di porte con parametri liberi trasforma lo stato dei qubit, e l'ottimizzazione classica aggiorna quei parametri sui dati di addestramento, come descritto tra gli algoritmi quantistici variazionali. Il fascino è evidente, ma il campo ha incontrato ostacoli concreti, perché il fenomeno dei barren plateaus, in cui i gradienti svaniscono esponenzialmente con il numero di qubit rendendo l'addestramento impraticabile, ha ridimensionato molte aspettative. La ricerca cerca architetture e inizializzazioni che lo evitino, ma resta una difficoltà strutturale che ogni valutazione seria deve considerare, non un dettaglio superabile con più potenza di calcolo.

È meglio del machine learning classico?

No, non in generale, ed è l'affermazione più importante di questa pagina. Non esiste alcuna prova che questi metodi superino il machine learning classico sui problemi comuni con dati classici, dato che nessun vantaggio è stato dimostrato su classificazione di immagini, linguaggio naturale o previsioni tabellari. I vantaggi teorici che esistono sono circoscritti a dati di origine intrinsecamente quantistica, come output di esperimenti fisici o di simulazione quantistica, oppure a problemi con struttura algebrica molto specifica. Per la stragrande maggioranza delle applicazioni industriali di machine learning, oggi, il classico è competitivo o superiore, e chi afferma il contrario in termini generali sta anticipando risultati che la ricerca non ha prodotto.

Perché il caricamento dei dati è un problema?

Il caricamento dei dati è il collo di bottiglia che vanifica molti vantaggi sulla carta. Per elaborare dati classici, un algoritmo quantistico deve prima codificarli nello stato dei qubit, e caricare N valori in ampiezze richiede in generale un numero di operazioni proporzionale a N, per cui se il caricamento costa quanto il problema, il vantaggio quantistico svanisce prima di iniziare. Esistono strutture hardware ipotetiche, come la QRAM, che risolverebbero il problema, ma non esistono ancora in forma pratica e scalabile. La conseguenza è netta, perché i vantaggi più credibili riguardano dati già quantistici, dove il caricamento è gratuito dato che i dati nascono nello stato quantistico, non dati classici massivi.

Cosa ha insegnato la dequantizzazione?

La dequantizzazione è stata una lezione di umiltà salutare per tutto il settore. A partire dal 2018, una serie di lavori, avviati da risultati di Ewin Tang allora studentessa, ha mostrato che diversi algoritmi quantistici di machine learning ritenuti esponenzialmente vantaggiosi potevano essere eguagliati da algoritmi classici opportunamente costruiti, e che quindi il vantaggio presunto non esisteva, essendo un artefatto del confronto con metodi classici subottimali. La dequantizzazione non ha chiuso il campo, ma ha imposto uno standard di rigore, perché ogni claim di vantaggio nel settore va confrontato con il miglior algoritmo classico ispirato alle stesse assunzioni, non con una baseline debole. È il motivo per cui il settore, oggi, è molto più cauto di qualche anno fa.

Dove il quantum machine learning ha senso oggi?

Le direzioni con le giustificazioni più solide sono tre.

• Apprendimento su dati quantistici. Il modello elabora direttamente stati prodotti da esperimenti o simulazioni, evitando il problema del caricamento.
• Scoperta di strutture con vantaggio dimostrato su problemi appositamente costruiti, di interesse teorico ma non ancora pratico.
• Componenti quantistici entro pipeline ibride. Il circuito assolve un compito specifico, come generare kernel, mentre il resto della pipeline resta classico.

Fuori da questi ambiti, l'apprendimento quantistico su dati classici massivi resta una scommessa di ricerca, e riconoscere questa mappa è ciò che distingue una valutazione professionale da un investimento guidato dall'hype.

Quali aspettative sono realistiche?

Le aspettative realistiche sono quelle calibrate sui tempi dell'hardware e sui limiti teorici noti. Nel breve periodo il campo è terreno di ricerca ed esplorazione, non di produzione, con prototipi su piccola scala, spesso in emulazione, per capire dove le idee reggono. Nel medio periodo i primi impieghi utili sono attesi là dove i dati sono già quantistici, in sinergia con la simulazione. Sul lungo periodo molto dipende dalla correzione degli errori e dalla soluzione del caricamento dei dati. La posizione onesta è di curiosità disciplinata, che significa seguire il campo e sperimentare a basso costo, senza però impostare strategie aziendali su vantaggi che restano, per ora, largamente da dimostrare.

Come si sperimenta in emulazione?

Il modo più economico e informativo di sperimentare è eseguire circuiti su piccola scala in un ambiente dove ogni grandezza è ispezionabile. Con la piattaforma EQM utilizzata da HumanQ si costruisce una feature map, si addestra un modello variazionale su un dataset ridotto, si osserva l'insorgere dei barren plateaus al crescere dei qubit e, soprattutto, si confronta il risultato con una baseline classica sullo stesso problema, il test che rivela se il vantaggio c'è o è solo atteso. L'emulazione è l'ambiente ideale perché rende riproducibile l'addestramento, permette di variare le dimensioni in modo controllato e non nasconde nulla dietro il rumore. Per un team, è il modo giusto per formarsi con senso critico, invece che sulla fiducia.