APPROFONDIMENTO

Reply's vision: algoritmi e casi d’uso per il quantum computing

Reply's vision: algoritmi e casi d’uso per il quantum computing
 

Il Quantum Computing è una disciplina al confine tra la fisica, la matematica, l’informatica e l’ingegneria in continuo sviluppo, il cui scopo è quello di svolgere ope­razioni computazionalmente costose in tempi molto ridotti e, allo stesso tempo, raggiungendo risultati di alta qualità.

La gamma di problemi che può essere affrontata attra­verso il formalismo quantistico è molto ampia e spazia dal Machine Learning e Intelligenza Artificiale all’Otti­mizzazione Combinatoria.

Nel primo caso si vedono come maggiori protagonisti i cosiddetti Universal Quantum Computer, ovvero dei calcolatori quantistici in cui è possibile accedere diret­tamente allo stato dei qubit e, pertanto, modificarlo in modo arbitrario. Questo tipo di approccio ha permesso lo sviluppo di algoritmi come il Variational Quantum Ei­gensolver (VQE) o il Quantum Approximate Optimiza­tion Algorithm (QAOA) particolarmente adatte al Ma­chine Learning e alla simulazione di sistemi quantistici. L’idea alla base di queste due strategie consiste nella cooperazione tra macchine classiche e quantistiche: la velocità della Quantum Processing Unit (QPU) vie­ne sfruttata per misurare l’energia del sistema, mentre la parte classica viene sfruttata attraverso un sistema che di fatto impara la strategia migliore per codificare i dati in una macchina quantistica. Di conseguenza di­venta possibile trovare, ad esempio, pattern nascosti nei dati per risolvere problemi di Supervised Learning, oppure ottenere il minimo di una funzione arbitraria in un problema di ottimizzazione. È su questo princi­pio che si fondano algoritmi quali Quantum Support Vector Machines (QSVM) e Quantum Neural Networks (QNN).

Per quanto riguarda i problemi di ottimizzazione com­binatoria, risultano adatti i cosiddetti Quantum An­nealers. Questi incapsulano un diverso tipo di QPU in cui non è possibile manipolare direttamente lo stato dei qubit, bensì occorre programmare la funzione di energia cui il sistema quantistico è sottoposto. Que­ste macchine lavorano lasciando che i qubit evolvano naturalmente verso il minimo della funzione d’energia data dal modello di Ising.

L’approccio che fa uso dei Quantum Annealers si pre­sta particolarmente alla soluzione di problemi che dif­ficilmente possono essere riscritti mediante modelli lineari, come, ad esempio, la pianificazione dei Physi­cal Cells Identifier (PCI) per l’ottimizzazione delle reti mobili 4.5G e 5G. Inoltre, dato che il modello riguarda un caso reale e quindi complesso, risulta fondamenta­le utilizzare il Quantum Annealer applicando tutte le possibili strategie che ne consentono il miglior utilizzo. Questo si rende necessario in quanto modalità diver­se impattano significativamente sulle caratteristiche della soluzione trovata, come approfondito in questo lavoro in pubblicazione su Springer Quantum Machine Intelligence [8].

Nel caso della pianificazione dei PCI, la velocità di ese­cuzione dell’algoritmo unito alla possibilità di trovare soluzioni di qualità molto alta a problemi non-lineari ha permesso di verificare come gli algoritmi Quantistici possano essere applicati con successo a problemi reali.

 

Torna all'articolo