Analisi della complessità computazionale di algoritmi di Quantum Machine Learning a supporto di servizi avanzati in reti 6G

L’apprendimento profondo (deep learning, DL) è una classe trasversale di modelli di ML che sono in grado di fornire dei modelli ad alto livello di astrazione per una vasta gamma di fenomeni non lineari. È importante sottolineare che il DL è strettamente connesso alle reti neurali artificiali (Artificial Neural Networks, ANN). Come anticipa il nome, un’ANN è un modello che si ispira vagamente ai circuiti di neuroni biologici presenti nel cervello animale. Ciò a cui si può pensare è un reticolo in cui i “neuroni” rappresentano i nodi della rete e le “sinapsi” i collegamenti fra quest’ultimi. Tali tecniche hanno portato al raggiungimento di importanti progressi in varie discipline quali computer vision, natural language processing, riconoscimento facciale e vocale e analisi di segnali in
genere. Le tecnologie di computer vision sono finalizzate a realizzare metodi di percezioni e comprensione automatica delle immagini sia statiche che in movimento. La famiglia applicativa del natural language processing, invece, si occupa delle tecnologie e dei metodi atti alla comprensione, alla traduzione e all’elaborazione del linguaggio naturale.

Il processo di apprendimento
Quando si addestra un algoritmo, ossia gli si fanno studiare i dati, è possibile impostare delle variabili, dette iperparametri. Esse sono variabili che possono essere cambiate per migliorare le prestazioni e la qualità dell’algoritmo. La fase di apprendimento avviene nei seguenti passaggi:

1. Pre-processamento dei dati: i dati designati per l’apprendimento vengono trasformati e mappati in adeguate matrici numeriche così da poter essere forniti in input al modello. I dati a disposizione si dicono strutturati nel caso in cui siano organizzati in schemi e tabelle rigide. Questa modalità nella maggior parte dei casi è mediamente facile da trattare. Si dice invece che sono non strutturati quando, al contrario, non esistono regole rigide e sistematiche sulla forma, come nel caso di contenuti testuali o multimediali. I dati non strutturati sono più complicati da trattare ed esistono intere discipline che studiano come trattarli per estrapolare da essi un pattern “nascosto”.

2. Inizializzazione del modello: per inizializzare il modello si assegnano dei valori ai parametri del modello. Questi valori possono essere assegnati casualmente oppure ereditati da altri modelli di deep learning. A questo punto, per ovviare alla necessità di effettuare test in tempo reale non dovendo però attendere nuovi dati, nel ML si utilizzano delle tecniche che permettono di dividere i dati a disposizione in sottoinsiemi, ognuno dei quali è utilizzato con uno scopo diverso:
• Training set: è l’insieme di dati sul quale si effettuerà l’addestramento dell’algoritmo, ossia si cercano i valori dei parametri che meglio possano descrivere i dati in funzione del problema da risolvere.
• Validation set: sul quale si correggeranno i valori degli iperparametri. Anche su questo set di dati l’algoritmo verrà addestrato.
• Test set: il quale servirà per testare la capacità dell’algoritmo di generalizzare in modo corretto le regole estrapolate dal training set, stimando la qualità del modello.