In meno di un secolo a partire dalla sua nascita nel 1936, l'informatica tradizionale ha rivoluzionato quasi tutti i settori del mondo. E come l'informatica tradizionale apre la strada a nuove frontiere, l'intelligenza artificiale probabilmente sarà il punto di partenza della prossima ondata di innovazione.
Con il progresso dell'innovazione nel campo dell'intelligenza artificiale, i limiti dell'informatica tradizionali vengono fuori rapidamente, mentre l'IA spinge continuamente gli attuali limiti di velocità di calcolo ed efficienza energetica. Applicazioni software complesse, come quelle utilizzate nei veicoli autonomi, nella simulazione delle reazioni chimiche e nelle simulazioni 3D dinamiche, spingono continuamente le capacità della tecnologia informatica tradizionale.
In questo articolo discuteremo le differenze fondamentali tra il calcolo quantistico e l'informatica tradizionale ed esamineremo il potenziale del calcolo quantistico per migliorare gli algoritmi dell'IA nei veicoli autonomi e in altre applicazioni software di elaborazione complessa.
Cos'è il calcolo quantistico?
Ilcalcolo quantistico non è destinato a sostituire il calcolo tradizionale. I computer tradizionali al momento sono migliori dei computer quantistici per la maggior parte delle attività informatiche. Tuttavia, i computer quantistici, sono di gran lunga migliori per la risoluzione dei problemi di calcolo complessi.
Mentre i computer tradizionali utilizzano bit di transistori binari (vale a dire, 0 o 1) per elaborare i dati, i computer quantistici usano i bit quantistici, altrimenti denominati qubit, che rappresentano tre stadi diversi. Il terzo stato di un qubit è denominato "sovrapposizione" e consente ai qubit di rappresentare contemporaneamente uno 0 e un 1.
Dato il terzo stato di sovrapposizione, la potenza del calcolo quantistico cresce in modo esponenziale con il numero di qubit, mentre la potenza del computer cresce in un rapporto 1:1 rispetto al numero di bit dei transistor. Ad esempio, nel caso dei due bit classici, il numero totale di combinazioni di valori possibili è quattro (00, 01, 10, 11).
Tuttavia, in una sovrapposizione di quattro stati, possono esistere due qubit, per cui le combinazioni totali di due qubit sono otto stati diversi. Dunque, le informazioni archiviate in "N" qubit equivalgono ai dati archiviati in "2^N" bit classici.
Per trasformare queste informazioni in numeri di archiviazione dei dati più affidabili, 3 qubit equivalgono a 8 bit (o 1 byte), mentre 13 qubit equivalgono a 8192 bit (1 kilobyte). Per archiviare 1 terabyte (8,8x10^12 bit) di informazioni utilizzando i qubit, servirebbero solo 43 qubit!
Visto l'enorme vantaggio nella potenza di calcolo, i computer quantistici sono particolarmente indicati nei problemi di calcolo complessi, che includono le sfide dell'ottimizzazione, come la simulazione di reazioni chimiche, l'identificazione delle droghe, la logistica multistop e gli algoritmi dell'intelligenza artificiale. Nel mondo dell'addestramento dei veicoli autonomi, ciò implica la possibilità, per un computer quantistico, di archiviare ed elaborare una maggiore quantità di dati rispetto a un data center tradizionale, consentendo così di utilizzare più dati per educare il modello e renderlo più preciso in modo più rapido.
In 2019, Google ha sperimentato un processore a 54 qubit denominato "Sycamore," destinato a completare un esperimento di calcolo che sul supercomputer più grande del mondo avrebbe richiesto un tempo di completamento di 10.000 anni. Sycamore ha condotto l'esperimento in 200 secondi. In un'applicazione di addestramento del modello IA per veicoli autonomi, un computer quantistico sarebbe in grado di elaborare 10.000 anni di dati di addestramento in 200 secondi, consentendo un numero infinitamente maggiore di opportunità per gli addestratori di modelli AV.
Cos'è l'IA quantistica?
L'IA è la frontiera moderna del software. Sebbene le facce e i sottogeneri dell'IA siano molti, è ancora nella fase iniziale rispetto al potenziale completo, e lo sviluppo dell'IA spesso è lento.
I modelli di addestramento dell'intelligenza artificiale sono incredibilmente complessi da sviluppare, utilizzare e iterare. Spesso, l'esecuzione di questi algoritmi complessi può impiegare ore, giorni, settimane o persino mesi, a seconda della loro complessità. Oggi, i veicoli autonomi "Race to Full Autonomy" è considerato il pinnacolo dell'IA e da tempo è il terreno di prova per molti modelli di addestramento dell'IA. L'IA quantistica può essere la soluzione che carica al massimo i modelli di addestramento dell'IA dei veicoli autonomi portandoli fino al traguardo.
L'obiettivo dell'IA quantistica è di liberare l'IA moderna dai vincoli del calcolo tradizionale. Algoritmi e modelli di ottimizzazione sono fondamentali per la maggior parte dell'IA, ma il calcolo tradizionale è limitato nella capacità di completare molti modelli di addestramento in maniera efficiente.
Presto, il calcolo quantistico potrà essere utilizzato per offrire capacità di calcolo più rapide per processi di calcolo notevolmente complessi e creare nuove conoscenze riguardo le basi di calcolo esistenti.
Ad esempio, addestrare una rete neurale di auto a guida autonoma richiede quantità incredibili di calcoli paralleli e delle serie di dati vastissime. Difatti, Tesla raccoglie terabyte di dati al giorno come strumenti di addestramento degli algoritmi dei suoi veicoli autonomi. I data center che addestrano queste reti neurali moderne di auto a guida autonoma spesso possono addestrare solo delle sezioni secondarie della loro rete neurale, date le limitazioni di calcolo dell'hardware.
In questo esempio, è probabile che un riaddestramento completo dell'intera rete neurale di Tesla sia di gran lunga inefficiente. Tuttavia, poiché un computer quantistico è in grado di raggiungere velocità di calcolo parallelo da record, che nessun data center del pianeta è in grado di eguagliare, naturalmente, il calcolo quantistico può offrire valore all'addestramento delle reti neurali complesse come quelle di Tesla, in pochi minuti.
La sfida quantistica
Oggi il software per il calcolo quantistico è lontanissimo dalle capacità dell'hardware. Il motivo è che gli inizi dell'IA basata sulla quantistica sono limitati dagli algoritmi di addestramento e dalle metodologie di calcolo tradizionali che sono stati sviluppati a partire dal 1936. I valori intrinseci di questi algoritmi di addestramento non possono essere messi in pratica utilizzando un computer quantistico, viste le differenze fondamentali nei metodi di calcolo (bit rispetto a qubit).
Pertanto, per utilizzare la potenza di calcolo dei computer quantistici, è necessario creare nuovi algoritmi quantistici. Gli algoritmi quantistici basati sull'apprendimento automatico, come l'algoritmo HLL (algoritmo quantistico per i sistemi di equazioni lineari), sono cresciuti notevolmente.
Solo recentemente dei gruppi di ricerca hanno iniziato a lavorare sugli algoritmi di addestramento delle reti neurali quantistiche profonde che un giorno potrebbero rivelarsi utili. Una cosa è certa, tuttavia: una volta che gli algoritmi di addestramento IA sono stati sviluppati e iterati, i computer quantistici offriranno velocità incredibili che potranno supportare l'addestramento dei veicoli autonomi di ultima generazione, la chimica basata sui computer e persino la simulazione dei sistemi quantistici del futuro.
