Imparare e' una questione quantica

CARLO BALDASSI E RICCARDO ZECCHINA VERIFICANO DUE TECNICHE COMPUTAZIONALE RIFERITE AL MACHINE LEARNING, MOSTRANDO COME SIA QUELLA BASATA SU PROPRIETA' QUANTISTICHE A MINIMIZZARE GLI ERRORI

Abbiamo insegnato alle macchine ad apprendere, per esempio a riconoscere la foto di un cane da quella di un gatto, ma le tecniche elaborate sinora non hanno una base teorica solida. Sono ricette estremamente complesse per cercare di minimizzare il numero di errori della macchina modificando gradualmente un gran numero di parametri. Ma è come avere milioni di manopole da regolare contemporaneamente: è possibile trovare la giusta combinazione, ma si tratta di un processo lungo e le tecniche attuali sono frutto di decenni di ricerche empiriche basate soprattutto sull’intuito. È perciò importante trovare sistemi relativamente più semplici di quelli generalmente utilizzati e farlo nel quadro di una teoria che permetta di estendere tali risultati a vari ambiti applicativi.

È il lavoro che stanno svolgendo Carlo Baldassi e Riccardo Zecchina della Bocconi. Nel paper Efficiency of quantum versus classical annealing in non-convex learning problems, pubblicato di recente da Pnas, affrontano l’argomento confrontando l’efficienza, in relazione al machine learning, di due tecniche computazionali, il (classical) simulated annealing e il quantum annealing. Il primo può essere descritto, per analogia con un fenomeno della fisica, con quanto accade quando un metallo in stato semi-liquido viene gradualmente raffreddato: il processo causa una riduzione dell’energia interna dell’oggetto e ottimizza l’ordine degli atomi. In una macchina che deve apprendere, l’energia è rappresentata dal numero di errori da minimizzare. «Dimostriamo che, nel machine learning, il simulated annealing non funziona, a differenza del quantum annealing che sfrutta le proprietà quantistiche della materia e in cui è un campo magnetico, anziché una temperatura, a venire via via ridotto fino a raggiungere l’optimum», spiega Baldassi.

«È un modo per trovare soluzioni con ottime capacità di generalizzazione e accessibili in modo efficace tramite algoritmi. Al di là dell’aspetto applicativo, il passaggio dalla teoria alla pratica non è banale, ma il quantum annealing è una tecnologia per cui già esistono dei prototipi in commercio, il paper si inserisce nel quadro della costruzione di una teoria del machine learning e contribuisce a capire come funziona e come può essere migliorato».

Per saperne di più
Insegnare alle macchine per imparare di più
Il chip dell'influenza che batte il virus
Un modello (statistico) per la vita
Come studiare le reti di connessione
L'algoritmo che previene il suicidio
La teoria che semplifica problemi complessi

 

di Claudio Todesco