Apprendimento automatico quantistico

Risultato atteso:

• Integrazione del calcolo quantistico nelle pipeline di pre-elaborazione dei dati e nei flussi di lavoro di apprendimento per attività ad alta intensità di dati o computazionalmente intensive, dimostrando chiari miglioramenti nella velocità di elaborazione, nella complessità computazionale, nell'accuratezza della modellazione e nella riduzione dei requisiti di campionamento a scale raggiungibili con dispositivi dell'era NISQ.
• Modelli e algoritmi di apprendimento automatico quantistico (QML) affidabili e scalabili, integrati con i framework e le pipeline AI esistenti, che consentono un'elaborazione dei dati più rapida, una maggiore accuratezza delle previsioni e capacità computazionali migliorate.
• Metodi AI potenziati quantisticamente e validati che dimostrano miglioramenti misurabili rispetto ai riferimenti classici in termini di velocità, accuratezza, efficienza dei dati, complessità o scalabilità, supportati da rigorosi benchmark e analisi della complessità.
• Tecniche QML robuste e sensibili al rumore adatte all'hardware NISQ, incluse strategie di mitigazione degli errori e adattamenti algoritmici che migliorano l'affidabilità, le prestazioni e la riproducibilità sui processori quantistici reali.
• Dimostratori o applicazioni proof-of-concept che mostrano la rilevanza del QML per le sfide del mondo reale (ad esempio, modellazione climatica e ambientale, osservazione della Terra, assistenza sanitaria e scienze della vita, scoperta di materiali, finanza, robotica, produzione e cybersecurity).
• Rafforzamento della leadership europea e della sovranità tecnologica nel calcolo quantistico e nell'AI affidabile, supportato dalla collaborazione intersettoriale, dal trasferimento di conoscenze e dai contributi a standard, benchmark e migliori pratiche emergenti.
• Collaborazione migliorata tra calcolo quantistico, apprendimento automatico e domini applicativi, promuovendo una comunità europea coordinata di ricerca e innovazione QML.

Ambito:

Le proposte dovrebbero affrontare diverse direzioni di ricerca chiave nell'apprendimento automatico quantistico (QML), mirando sia all'eccellenza scientifica che alla rilevanza industriale. Le proposte dovrebbero delineare chiaramente come contribuire allo sviluppo, alla convalida e alla dimostrazione di approcci AI potenziati quantisticamente, con chiari percorsi verso applicazioni pratiche. Il lavoro proposto dovrebbe rafforzare le capacità scientifiche e tecnologiche dell'Europa nel calcolo quantistico e accelerare l'adozione industriale di soluzioni AI potenziate quantisticamente.

Le attività possono includere, ma non sono limitate a:

• progettazione e analisi di algoritmi QML quantistici, di ispirazione quantistica o ibridi,
• modellazione delle prestazioni, analisi della complessità e benchmarking di metodi AI potenziati quantisticamente,
• sviluppo di strategie di mitigazione degli errori e sensibili al rumore adattate ai carichi di lavoro QML.

Le proposte dovrebbero promuovere algoritmi QML scalabili in grado di affrontare problemi su larga scala e computazionalmente intensivi, ciò include approcci che:

• possono gestire enormi volumi di dati e compiti computazionali complessi,
• consentono un'elaborazione dei dati più rapida e prestazioni predittive migliorate in domini applicativi rilevanti (ad esempio, ricerca idrologica, modellazione climatica, classificazione del terreno da telerilevamento satellitare, scoperta di farmaci e diagnosi medica basata su immagini).

Molti metodi QML attuali rimangono strettamente ispirati agli algoritmi classici e quindi non raggiungono ancora un autentico vantaggio quantistico, richiedendo ulteriori sviluppi in:

• modelli di apprendimento nativi quantistici,
• kernel quantistici efficienti e mappature di caratteristiche quantistiche,
• algoritmi che dimostrano vantaggi provabili o empirici rispetto agli approcci classici.

Le proposte possono anche includere analisi formali della complessità, identificazione di classi di problemi che possono beneficiare dell'accelerazione quantistica.

Gli sviluppi dovrebbero affrontare più delle seguenti direzioni di ricerca chiave…