Quantum machine learning and optimisation: approaching real-world problems with a quantum coprocessor

Questo lavoro esamina le applicazioni del quantum computing in data science, riformulando problemi di ottimizzazione e machine learning attraverso un formalismo ibrido quantistico-classico. Innanzitutto, vengono presentati i concetti fondamentali della meccanica quantistica, limitando lo studio all’area di interesse del quantum computing ma allo stesso tempo impostando il contesto matematico in modo rigoroso. Dopodiché, attraverso una panoramica dell’hardware presente ad oggi e di quello atteso per il futuro prossimo, e con l’esaminazione dei problemi legati al rumore e al ridotto numero di qubit disponibili nei dispositivi quantistici moderni, si motiva il bisogno di un approccio ibrido per risolvere problemi complessi, che permetta ad hardware classico e quantistico di lavorare sinergicamente. Lo scopo di questo lavoro è quello di presentare strategie per modellare problemi di ottimizzazione e supervised e reinforcement learning in modo da far lavorare una Quantum Processing Unit sulle parti degli algoritmi computazionalmente più costose. Vengono discussi sia i benefici sia gli svantaggi: i primi sono strettamente legati alla scelta di un modello di computazione nuovo, dal quale ci si aspetta l’esecuzione di operazioni classicamente intrattabili e lo sfruttamento della velocità intrinseca dei sistemi quantistici di raggiungere il ground state; i secondi derivano principalmente dalle attuali limitazioni ingegneristiche che non permettono un controllo efficiente di sistemi quantistici a larga scala. Vengono esaminati quattro casi di studio: un problema di classificazione di immagini auto-costruite attraverso un algoritmo di Support Vector Machine, il quale sfrutta funzioni che portano i dati dallo spazio di input allo spazio degli stati quantistici, construendo così un kernel quantum-enhanced; un problema di reinforcement learning, formulato come Quadratic Unconstrained Binary Optimisation (QUBO), con lo scopo di trovare una strategia vincente per il gioco del Blackjack usando dati auto-simulati; il Number Partitioning Problem, formulato come QUBO, che rappresenta lo scenario più complesso dal punto di vista della connettività dei qubit e, per grandi istanze, è capace di raggiungere la complessità di problemi reali; infine, il problema del limited-assets Markowitz portfolio optimisation, riscritto come QUBO, al fine di implementare un’euristica quantum-inspired che possa sormontare la complessità del problema al crescere della dimensione dell’input. Nel corso di questo lavoro sono stati analizzati sia l’approccio di computazione universale gate-model, sia quello di adiabatic quantum computing, con particolare attenzione verso quest’ultimo attraverso la maggior parte dei casi di studio. Per uno di questi, il Number Partitioning Problem, è stato sfruttato l’accesso in cloud ad un quantum annealer, che ha permesso uno studio completo delle capacità di tale macchina, in grado di risolvere tra i problemi più complessi che i quantum computer moderni possano affrontare. Infine, non solo questo lavoro valuta l’accuratezza e la qualità delle soluzioni dei problemi esaminati, ma si concentra anche sul paragone tra strategie quantistiche e classiche, evidenziando le differenze e i benefici che un approccio quantistico o ibrido quantistico-classico può portare nella risoluzione di problemi di ottimizzazione e machine learning, specialmente con l’eventuale disponibilità, nel futuro prossimo, di dispositivi a più larga scala.