Come può l’intelligenza quantistica rivoluzionare i modelli linguistici?

Immagina un computer che segue le regole della meccanica quantistica invece di quelle dei chip tradizionali. I ricercatori hanno creato un nuovo tipo di intelligenza artificiale che funziona così. Invece di far crescere i parametri in modo lineare come i modelli linguistici classici, questo sistema quantistico comprime lo spazio latente in modo logaritmico. Utilizza reti quantistiche a albero (TTN) e un nuovo subroutine chiamato auto-attenzione quantistica (QSA). Queste tecniche permettono di rappresentare un modello classico con 1011 parametri usando solo 106 parametri quantistici, grazie a un encoding basato sull’ampiezza. Per evitare che il rumore causi problemi durante l’addestramento, il team ha abbinato gli algoritmi quantistici variazionali (VQA) a un sistema di correzione degli errori quantistici tollerante ai guasti, basato sul codice superficiale. Questo sistema richiede circa 2000 qubit fisici per ogni qubit logico e funziona solo se ogni porta quantistica ha un errore inferiore a 10⁻⁴. I calcoli mostrano che questo approccio potrebbe ridurre del 45% il consumo energetico necessario per addestrare i modelli più grandi e accelerare il calcolo dell’attenzione a una complessità di O(L log d). In sintesi, l’intelligenza artificiale quantistica promette di superare il limite di calcolo classico, aprendo la strada a modelli più efficienti e potenti.

I modelli quantistici generativi si basano su reti quantistiche a tensore che permettono una rappresentazione compatta dello spazio latente. Le reti TTN mappano i dati su una struttura ad albero, riducendo il numero di parametri necessari per descrivere la distribuzione. L’auto-attenzione quantistica implementa la similarità del prodotto scalare tra token usando circuiti a rotazione di qubit, evitando la costruzione esplicita della matrice di attenzione classica. L’encoding in ampiezza trasforma un vettore classico ad alta dimensione in uno stato quantistico, preservando la norma e permettendo un’elaborazione parallela. La correzione degli errori con il codice superficiale introduce un overhead di circa 2000 qubit fisici per qubit logico, ma garantisce che l’errore fisico per porta rimanga sotto la soglia di 10⁻⁴, prevenendo i barren plateau indotti dal rumore. La complessità computazionale dell’attenzione quantistica scala come O(L log d), dove L è la lunghezza della sequenza e d la dimensione dell’embedding, grazie alla fattorizzazione logaritmica ottenuta tramite il TTN. Questo approccio riduce drasticamente il consumo energetico, poiché i processi quantistici operano a temperature criogeniche e richiedono meno operazioni di gate rispetto ai sistemi classici. I risultati suggeriscono che i modelli quantistici potrebbero diventare pratici per applicazioni AI su larga scala una volta superate le sfide ingegneristiche legate alla scalabilità degli errori.