Uno studio rivoluzionario ha dimostrato che il calcolo quantistico non è solo una promessa futura, ma offre già oggi benefici concreti per le applicazioni di intelligenza artificiale.
Un team di ricerca internazionale guidato dall’Università di Vienna ha mostrato con successo che anche processori quantistici di dimensioni modeste possono superare gli algoritmi convenzionali di machine learning in compiti specifici. Il loro lavoro, pubblicato questo mese su Nature Photonics, rappresenta una delle prime applicazioni pratiche del calcolo quantistico per migliorare i sistemi di IA di uso quotidiano.
I ricercatori hanno utilizzato un circuito quantistico fotonico realizzato presso il Politecnico di Milano per implementare un algoritmo di machine learning originariamente proposto da ricercatori di Quantinuum nel Regno Unito. L’esperimento si è concentrato su compiti di classificazione binaria, dove il sistema quantistico ha dimostrato una precisione superiore rispetto agli approcci classici.
"Abbiamo scoperto che, per compiti specifici, il nostro algoritmo commette meno errori rispetto alla controparte classica", spiega Philip Walther dell’Università di Vienna, che ha guidato il progetto. "Ciò implica che i computer quantistici già esistenti possono offrire buone prestazioni senza necessariamente superare la tecnologia attuale", aggiunge Zhenghao Yin, primo autore della pubblicazione.
Oltre alla maggiore accuratezza, l’approccio fotonico offre notevoli vantaggi in termini di efficienza energetica. "Questo potrebbe rivelarsi cruciale in futuro, dato che gli algoritmi di machine learning stanno diventando sempre meno sostenibili a causa delle richieste energetiche troppo elevate", sottolinea la coautrice Iris Agresti. Con la crescita delle dimensioni e della complessità dei sistemi di IA, il loro enorme consumo energetico è diventato una questione sempre più urgente.
La ricerca colma il divario tra i vantaggi teorici del quantum e le applicazioni pratiche, dimostrando che la tecnologia quantistica attuale può potenziare i sistemi di machine learning senza attendere computer quantistici su larga scala. Questo sviluppo apre nuove possibilità per algoritmi più efficienti ispirati alle architetture quantistiche, potenzialmente rivoluzionando il modo in cui affrontiamo il calcolo per l’IA in un mondo sempre più guidato dai dati.