Alla Ricerca di Problematiche Risolvibili
Il ricercatore Casper Gyurik si interroga su quale sia l’utilità di un computer quantistico quando non è ancora stato costruito. Per rispondere a questa domanda, ha indagato sulla combinazione di due termini spesso uditi: quantum computing e machine learning.
“Gli sforzi per migliorare le tecniche di machine learning utilizzando il quantum sono il mio obiettivo”, afferma Gyurik. Il machine learning è una forma di intelligenza artificiale in cui un computer impara autonomamente. Su computer normali—classici—però.
Dall’altra parte, il quantum computing è una nuova tecnica rivoluzionaria per eseguire calcoli su un computer quantistico, sfruttando la fisica delle particelle più piccole. “Una versione utile di questo non esiste ancora, ma possiamo già simulare matematicamente su un computer classico.”
La Caccia ai Problemi Ottimi
“Supponiamo di avere un problema da risolvere. I dati non sono altro che zeri e uni su un computer. Posso quindi utilizzare un algoritmo classico per ottenere una risposta alla mia domanda”, spiega Gyurik. “Ma ora progetterò un algoritmo quantistico per vedere se produce la risposta più velocemente o più accuratamente. Per fare ciò, devi tradurre i zeri e gli uni, inserirli nell’algoritmo quantistico e tradurre le conclusioni di nuovo in zeri e uni. Una sorta di bypass quantistico. Poi puoi confrontare i risultati.”
In questo modo, il candidato al dottorato cerca problemi per i quali la strada quantistica sia più veloce. “Il mio esempio preferito è l’analisi dei dati topologici (TDA). Questo estrae l’essenza da grandi set di dati. Ad esempio, un gruppo di persone con età, etnia, colore dei capelli, misura delle scarpe, e così via. Il TDA vede i dati come una nuvola di punti con una forma particolare. Per determinate forme, sospettiamo molto fortemente che il quantum sia effettivamente più veloce.”
Dati Tecnici
| Machine Learning | Quantum Computing |
|---|---|
| Algoritmi | Fisica Quantistica |
| Intelligenza Artificiale | Computazione Quantistica |
| Dati | Zeri e Uni |
| Tecniche | Simulazione Matematica |
| Ricerca | Ottimizzazione Algoritmica |
| Risposte | Confronto dei Risultati |
Da crisi finanziarie al cervello umano
Gyurik non osa ancora dire quali saranno le applicazioni. Ma ha un’idea: “Con questo metodo è possibile analizzare serie temporali, ad esempio per il settore finanziario. Questa nuvola di dati cambia forma drasticamente proprio prima di una crisi, quindi il TDA può prevedere una crisi in anticipo.”
Un’altra applicazione si trova nell’ambito delle reti complesse. “Penso che una delle possibilità più interessanti sia il cervello”, dice. “Puoi descriverlo come una rete di regioni attive durante diverse attività. Potrebbe persino essere che un giorno possiamo capire meglio l’Alzheimer con il TDA, e ci sono segni che il quantum possa aiutare in questo.”
“È un momento fantastico per lavorare su questo argomento. Quantum computer più grandi e utili stanno avanzando rapidamente. Speriamo che nei prossimi anni otterremo risposte su cosa possiamo fare con loro. È super ispirante che tutti abbiamo un obiettivo comune”, riflette Gyurik sulla sua ricerca dottorale. “Non so ancora cosa farò dopo, ma continuerò a lavorare sul quantum. Questo è certo.”
