Sintesi del progetto
AQUAMAN sviluppa nuovi algoritmi di Quantum Machine Learning (QML) pensati come componenti fondamentali per applicazioni verticali. Il progetto affronta tre aspetti centrali della QML: l’encoding dei dati classici in stati quantistici, l’analisi delle topologie di entanglement e delle configurazioni dei circuiti quantistici effettuate dagli algoritmi ibridi dedicati (variational quantum circuits), e la riduzione dei costi computazionali dei processi di ottimizzazione dei modelli.
Obiettivi
Il progetto mira a rendere più efficienti e scalabili gli algoritmi quantistici per ottenere un reale vantaggio rispetto ai metodi classici, a identificare configurazioni di circuiti e strategie di ottimizzazione che migliorino precisione e stabilità dei modelli QML e a semplificare la preparazione degli stati quantistici per futuri casi d’uso in diversi settori.
Problemi e necessità
I variational quantum circuits presentano limiti legati alla scelta dell’encoding, alla profondità dei circuiti e alla correlazione tra parametri. Le tecniche di ottimizzazione convenzionali risultano spesso poco scalabili. Servono soluzioni che riducano la complessità e migliorino la capacità dei circuiti di rappresentare correttamente i dati.
Soluzioni sviluppate
Il progetto ha introdotto: un algoritmo scalabile di encoding; un metodo di encoding supervisionato che massimizza la distanza fra classi di dati e minimizzando quella intra-classe; un’analisi sistematica delle performance di diverse topologie di entanglement in grado di generare distribuzioni e creare immagini e classificazioni; l’uso di algoritmi evolutivi e Particle Swarm Optimization per l’addestramento delle Reti Neurali Quantistiche (QNN), testati sia in simulazione che su veri computer quantistici.
Benefici e ricadute
Le tecniche sviluppate possono essere applicate a compiti di classificazione, generazione e preparazione efficiente di stati quantistici, con ricadute future in ambiti come scienza dei materiali, finanza, cybersecurity e simulazione quantistica. Il progetto intende inoltre avvicinare la comunità scientifica agli strumenti QML tramite software open source.
Settori che possono beneficiare
Oltre al dominio Quantum computing, i risultati sono rilevanti per i settori dell’Intelligenza Artificiale, del Software e della Ricerca Fondamentale, con possibilità di essere sfruttati in ambiti che richiedono ottimizzazione complessa e modelli avanzati di apprendimento quantistico.
