Sebbene l'addestramento di modelli linguistici di grandi dimensioni (LLM) su computer quantistici attuali rimanga una sfida, recenti scoperte suggeriscono una promettente sinergia tra il calcolo quantistico e l'intelligenza artificiale. Esperti di IBM ed Eviden (gruppo Atos) stanno esplorando questo potenziale, rivelando progressi in diverse aree chiave.
Uno studio del 2021 su Nature Computational Science ha dimostrato che le reti neurali quantistiche possono essere addestrate più velocemente delle loro controparti classiche, suggerendo un potenziale significativo con reti più grandi. Il calcolo quantistico eccelle nei problemi di ottimizzazione, consentendo la messa a punto dei parametri della rete neurale per previsioni più accurate.
L'Agenzia Spaziale Europea (ESA) ha mostrato la potenza del calcolo quantistico nella visione artificiale, raggiungendo un tasso di riconoscimento delle immagini del 96% con una rete neurale quantistica, rispetto all'85% con una rete classica, utilizzando immagini satellitari per rilevare vulcani in eruzione. Il modello quantistico utilizzava significativamente meno parametri, con conseguente minore consumo di energia e dati.
La ricerca pubblicata su Nature Communications nel 2024 ha ulteriormente consolidato questi risultati, mostrando che un modello quantistico potrebbe raggiungere una precisione simile ai modelli classici con dieci volte meno dati. Il calcolo quantistico facilita anche la creazione di dati sintetici di alta qualità per l'addestramento dei modelli e migliora il rilevamento di modelli in set di dati complessi, a vantaggio di settori come la chimica e la scienza dei materiali.
Questi progressi indicano la capacità del calcolo quantistico di migliorare la precisione con modelli più piccoli, ottimizzare le prestazioni e accelerare risultati affidabili, rivoluzionando potenzialmente le applicazioni dell'IA.