Apprendimento automatico quantistico: il software AutoQML semplifica l'uso industriale

Riconoscimento delle immagini durante il taglio laser come esempio concreto di applicazione degli algoritmi di apprendimento automatico quantistico. © Gruppo Trumpf

Il team autoQML a una riunione di progetto nel 2023. © Fraunhofer IAO

Nel progetto congiunto AutoQML, gli istituti Fraunhofer IAO e IPA, insieme a sette partner industriali, hanno sviluppato un software applicativo omonimo. Il software open source AutoQML combina il calcolo quantistico e l'apprendimento automatico. In questo modo, gli algoritmi di Quantum Machine Learning possono essere utilizzati senza una conoscenza approfondita del settore.

Come riescono le aziende a sfruttare le potenzialità della digitalizzazione e a rimanere competitive? L'uso di tecnologie come l'intelligenza artificiale può aiutare a beneficiare al massimo della trasformazione digitale. Soprattutto l'apprendimento automatico (ML) gioca già un ruolo importante nella strategia di digitalizzazione di molte aziende e consente, tra l'altro, processi più efficienti e nuovi modelli di business. Tuttavia, spesso manca di personale specializzato. Pertanto, l'implementazione di soluzioni ML è finora spesso associata a un elevato sforzo di lavoro. Dall'acquisizione dei dati alla scelta degli algoritmi più adatti fino all'ottimizzazione dell'addestramento, è necessario un approfondito know-how nel campo del ML.

Il metodo dell'apprendimento automatico automatizzato (AutoML) contrasta queste sfide e semplifica l'uso dell'intelligenza artificiale. In particolare, la scelta degli algoritmi ML specifici viene automatizzata. Gli utenti e le utenti devono quindi conoscere meno il ML e possono concentrarsi di più sui loro processi principali.

In questo contesto, l'innovazione del calcolo quantistico promette di stabilire nuove soluzioni che migliorano significativamente l'approccio AutoML. Inoltre, il calcolo quantistico offre la potenza di calcolo spesso necessaria per AutoML.

Nuovo approccio: il calcolo quantistico porta l'apprendimento automatico a un nuovo livello

Il progetto congiunto »AutoQML« si è concentrato su questa innovazione e ha raggiunto due obiettivi principali: da un lato, è stato sviluppato il nuovo approccio AutoQML. Questo amplia il principio AutoML con nuovi algoritmi di ML quantistico. Dall'altro, il calcolo quantistico porta l'approccio AutoML a un livello superiore, poiché alcuni problemi possono essere risolti in modo più efficiente e sostenibile con il calcolo quantistico rispetto agli algoritmi convenzionali.

Sotto la guida dell'Istituto Fraunhofer per l'organizzazione e l'economia del lavoro IAO, il software open source sviluppato AutoQML consente ora a sviluppatrici e sviluppatori un accesso semplificato agli algoritmi ML convenzionali e quantistici. Le componenti e i metodi di ML quantistico sviluppati sono stati riuniti in una cassetta degli attrezzi e messi a disposizione dei team di sviluppo. Ciò permette agli utenti di applicare l'apprendimento automatico e il Quantum Machine Learning e di sviluppare soluzioni ibride automatizzate.

Oltre all'Istituto Fraunhofer per la tecnologia di produzione e automazione IPA, hanno partecipato al progetto le aziende GFT Integrated Systems, USU GmbH, IAV GmbH Ingegneria Auto e Trasporti, KEB Automation KG, Trumpf e Zeppelin GmbH. Le soluzioni sviluppate sono state testate su casi applicativi concreti nei settori automotive e produzione.

Studio di benchmarking mostra il potenziale di AutoQML

Nel rapporto di benchmarking finale, il consorzio del progetto ha confrontato il proprio software open source AutoQML con i migliori metodi classici e quantistici noti. Un risultato fondamentale dello studio: le soluzioni automatizzate del software AutoQML sono almeno altrettanto efficaci quanto i migliori metodi classici e quantistici trovati manualmente. Ciò apre alle sviluppatrici e agli sviluppatori la possibilità di sperimentare con i propri casi applicativi.

Con il software open source si è fatto un passo importante verso una più ampia applicazione del Quantum Machine Learning nell'industria, il che può contribuire a rafforzare in modo sostenibile la competitività e l'innovazione delle aziende.

La diffusione sul mercato attraverso i partner aziendali favorisce il trasferimento di alta tecnologia di ricerca in un ampio contesto industriale e mira a rafforzare significativamente la posizione industriale della Germania. I risultati scientifici del progetto sono stati presentati in diverse pubblicazioni. Il progetto è stato finanziato dal Ministero federale dell'economia e della protezione del clima (BMWK) per una durata di tre anni.