Il calcolo quantistico non è più solo materia di ricerca teorica. Negli ultimi anni alcune tecnologie hanno iniziato a dimostrare applicazioni pratiche e potenziali benefici concreti anche su problemi complessi del mondo reale. Durante l’evento AI, HPC & QUANTUM – Reshaping the Technology Landscape organizzato da E4 Computer Engineering, Marta Reina, Quantum Application and Algorithm Scientist di Quandela, ha illustrato le prospettive del Quantum Machine Learning basato su fotoni, raccontando esperienze di ricerca e casi d’uso sviluppati dalla società francese.
Indice degli argomenti
Il fotonico come alternativa qubit superconduttivi
Quandela è una startup nata nel 2017 come spin-off accademico, con l’obiettivo di sviluppare computer quantistici basati su single photon sources. La società, che conta più di 140 ricercatori e ingegneri distribuiti tra Europa, Asia e Nord America, ha già costruito e venduto quattro macchine fotoniche e reso accessibili i propri algoritmi tramite un servizio cloud con oltre 1.700 utenti attivi.
Reina ha sottolineato come la scelta fotonica si distingua dai modelli più diffusi, basati sulla logica dei qubit superconduttivi o gate-based: «La sorgente da cui nascono i fotoni è un punto quantico eccitato da un laser, che emette fotoni indistinguibili. Questi attraversano un demultiplexer per sincronizzarsi ed entrare nel circuito quantistico, dove tramite ottica lineare costruiamo l’algoritmo».
La complessità di questa architettura non cancella però i limiti attuali, legati a rumore ambientale e perdita di fotoni. «Siamo ancora in un momento in cui le macchine quantistiche non sono perfette», ha ricordato Reina. Ciò non impedisce di avviare già oggi esperimenti e applicazioni che combinano approcci classici e quantistici.
Quantum e AI: casi d’uso concreti
Il legame tra quantum e intelligenza artificiale si è tradotto in progetti di Quantum Machine Learning su problemi ad alta complessità. Uno degli esempi presentati da Reina riguarda la cybersecurity: «Abbiamo lavorato alla malware detection, trasformando il codice in immagini e utilizzando protocolli di classificazione con layer quantistici. Questo approccio ibrido consente di ridurre il numero di parametri rispetto a una rete neurale puramente classica».
Il vantaggio, pur non configurandosi ancora come supremazia quantistica, risiede nell’efficienza: meno parametri significano potenzialmente meno risorse necessarie per affrontare task sempre più complessi. L’esperienza di Quandela ha toccato anche la finanza, con applicazioni nell’asset pricing e nell’option pricing, la chimica computazionale e la generazione di immagini, ambito in cui la società ha collaborato con BMW e Airbus.
Un aspetto evidenziato da Reina è che gli esperimenti quantistici non portano vantaggi solo nel dominio quantistico puro: possono ispirare algoritmi “quantum inspired” in grado di migliorare anche le prestazioni di metodi classici.
Efficienza energetica e sostenibilità
Uno degli elementi più sottolineati nell’intervento è il tema della sostenibilità. L’efficienza energetica dei computer quantistici fotonici appare significativamente superiore rispetto a quella delle piattaforme tradizionali di High Performance Computing.
«Molto spesso si parla soltanto di supremazia quantistica in termini di accuratezza o velocità, ma si trascura quanta energia si può risparmiare», ha spiegato Reina. I dati forniti mostrano che un computer da 12 qubit di Quandela richiede circa 3 kW di potenza, un consumo paragonabile a quello domestico, e fino a dieci volte inferiore rispetto a piattaforme basate sulla superconduzione come quella di Google.
Il tema non riguarda solo le prospettive future: anche nelle dimensioni attuali, la riduzione del consumo energetico rappresenta un parametro chiave nella valutazione delle tecnologie quantistiche.
Ottimizzazione e applicazioni quotidiane
Se le applicazioni in cybersecurity e finanza restano ad alto contenuto specialistico, alcuni casi studio hanno un impatto più diretto sulla vita quotidiana. Reina ha raccontato il lavoro svolto sull’ottimizzazione della pianificazione ferroviaria, includendo la gestione degli orari e l’allocazione dei passeggeri: «È un problema molto complesso dal punto di vista combinatoriale, perché ci sono tantissime variabili, dal prezzo dei biglietti alle preferenze dei passeggeri. Abbiamo sviluppato un modello quantistico basato su circuiti semplici e reti neurali di piccola scala».
Il progetto dimostra che anche senza macchine di grandi dimensioni è possibile affrontare problemi concreti, lavorando su task di dimensione ridotta ma con un chiaro valore applicativo.
Democratizzazione del Quantum Machine Learning
L’espansione della comunità è un obiettivo dichiarato. Per favorire l’adozione del Quantum Machine Learning, Quandela ha lanciato insieme a Nvidia un framework basato su Torch che permette a ricercatori e sviluppatori di scrivere algoritmi quantistici senza dover conoscere nel dettaglio l’hardware sottostante.
Reina ha descritto l’iniziativa come un ponte tra la comunità AI e quella quantistica: «Non è solo una piattaforma per chi conosce già il quantum, ma uno strumento per chi lavora con il Machine Learning e vuole iniziare a sperimentare con il quantum in maniera semplificata».
