Sintesi del progetto
HYQELM sviluppa algoritmi ibridi che combinano tecniche di intelligenza artificiale classica e quantistica per la realizzazione di un modello di Machine Learing che sfrutti il calcolo quantistico (Quantum Extreme Learning Machines – QELM). L’obiettivo è creare modelli utilizzabili sugli odierni dispositivi quantistici, più realistici rispetto alle architetture ideali basate esclusivamente su circuiti quantistici, dato il tasso di errore a cui è ancora soggetto l’attuale hardware quantistico.
Obiettivi
Obiettivo del progetto è la realizzazione di algoritmi capaci di sfruttare l’esplorazione quantistica dello spazio delle soluzioni e integrarli con modelli di apprendimento rapido, al fine di migliorare le prestazioni, e creare strumenti adatti a compiti sia classici sia quantistici, come la previsione delle energie molecolari o l’identificazione di parametri associati all’entanglement degli stati quantistici.
Problemi e necessità
I modelli quantistici basati solo su circuiti sono limitati dall’attuale rumore hardware. È necessario un approccio ibrido che aggiri tali vincoli, permettendo di utilizzare i vantaggi del calcolo quantistico senza richiedere dispositivi completamente affidabili.
Soluzioni sviluppate
Sono stati implementati algoritmi QELM su computer quantistici reali e piattaforme fotoniche, che si sono dimostrati più efficienti rispetto a modelli puramente classici. È stata inoltre verificata la performance degli algoritmi nell’esecuzione di compiti diversi: dalla modellazione di proprietà fisiche alla classificazione di atmosfere esoplanetarie. L’ibridazione ha portato a processi di training più rapidi e robusti, valorizzando la capacità quantistica di esplorare ampi spazi di soluzione.
Benefici e ricadute
Le applicazioni potenziali includono pattern recognition, ottimizzazione e predictive modeling in chimica, biologia, astrofisica e sistemi quantistici. Con il maturare dell’hardware, modelli ibridi come HYQELM potranno fornire contributi cruciali in settori quali farmaceutica, finanza, telecomunicazioni e sanità.
Settori che possono beneficiare
Le principali ricadute del progetto riguardano il settore del Quantum Computing, dell’Intelligenza Artificiale e della Ricerca Fondamentale, con prospettive future anche in campi applicativi che richiedono elaborazioni complesse su grandi dataset, come le Scienze della Vita e la Sensoristica Quantistica.
