L’evoluzione tecnologica negli ultimi vent’anni ha mostrato come lo sviluppo del software sia stato determinante per sfruttare pienamente la potenza dell’hardware. Nel campo del calcolo ad alte prestazioni e dell’intelligenza artificiale, le GPU hanno potuto diventare strumenti di accelerazione solo grazie a un ecosistema di sviluppo strutturato e accessibile. Oggi il quantum computing si trova in una fase simile, con sfide ancora aperte ma anche con i primi segnali di applicazioni industriali concrete.
È quanto ha sottolineato Gabriele Paciucci, Principal Solution Architect di NVIDIA, nel suo intervento durante l’evento AI, HPC & QUANTUM – Reshaping the Technology Landscape, spiegando come l’azienda stia lavorando a un framework in grado di replicare, nell’ambito quantistico, il modello che ha reso CUDA lo standard di riferimento per HPC e AI.
Indice degli argomenti
Dal modello CUDA al quantum
Secondo Paciucci, il successo di CUDA (Compute Unified Device Architecture), nato nei primi anni Duemila come strumento per programmare in modo semplice le GPU, è stato determinante per abilitare lo sviluppo di applicazioni scientifiche e industriali su larga scala. Oggi conta circa cinque milioni di sviluppatori nel mondo ed è considerato «il cornerstone per tutte le accelerazioni applicative». Perché? Perché con CUDA gli sviluppatori scrivono le applicazioni nei classici linguaggi come C, C++, Fortran o Python (tramite librerie come PyCUDA o CuPy). Le parti del codice identificate come “kernel CUDA” vengono eseguite sulla GPU (che esegue migliaia di thread in parallelo, risultando molto più veloce della CPU), mentre il resto gira sulla CPU.
Il quantum computing, nelle parole di Paciucci, ha bisogno di un percorso analogo: «Per poter avere un momento iPhone del quantum serve un ecosistema». La scommessa è che, così come l’AI è passata in pochi anni da fenomeno accademico a motore di trasformazione industriale, anche il calcolo quantistico possa trovare la sua svolta, grazie a investimenti costanti in software e piattaforme di sviluppo.
La strategia per il quantum computing
Il cuore di questa visione è CUDAQ, definito da Paciucci come «la versione quantistica di CUDA». Si tratta di un framework open source che integra librerie, modelli di programmazione, strumenti di simulazione e infrastrutture, con l’obiettivo di consentire agli sviluppatori di progettare algoritmi in grado di funzionare sia su simulatori sia su hardware quantistico reale.
La complessità, rispetto a CUDA, è maggiore: non esiste un’unica piattaforma di riferimento, ma una varietà di approcci hardware che spaziano dalla fotonica ai sistemi CMOS quantistici. Per questo motivo, il framework è progettato per essere agnostico rispetto al tipo di architettura, pur mantenendo come elemento centrale l’accelerazione tramite GPU.
Ecosistema e startup: un approccio collaborativo
Un punto chiave dell’intervento riguarda il ruolo dell’ecosistema. Paciucci ha dichiarato che NVIDIA collabora oggi con oltre 200 partner nel settore quantistico, in gran parte startup. Il supporto non si limita alla fornitura di software: attraverso il programma Nvidia Inception, l’azienda interviene anche con investimenti di venture capital.
Questa doppia strategia consente di rafforzare il tessuto imprenditoriale del settore, con effetti visibili anche negli investimenti annunciati da player come Quantinuum, che ha raccolto 600 milioni di dollari, parte dei quali attraverso il supporto di Nvidia Inception.
Quantum e AI: correzione degli errori e simulazione
Uno degli ambiti di maggiore interesse è quello della quantum error correction, cruciale per ridurre gli effetti del rumore e rendere i calcolatori quantistici realmente utilizzabili. Paciucci ha spiegato che «l’AI viene utilizzata nell’ambito del quantum error correction e nel calibration control», mostrando come l’integrazione tra i due campi non sia solo teorica ma già in fase di sviluppo concreto.
Per la ricerca e la simulazione, Nvidia ha sviluppato infrastrutture come Oberon, un rack composto da 72 GPU collegate tramite NVLink, in grado di gestire simulazioni su scala non raggiungibile dai sistemi quantistici fisici attuali. Questa capacità è essenziale per permettere ai ricercatori di testare algoritmi complessi e prepararli a un futuro deployment su macchine reali.
Esempi di applicazioni già sperimentate includono una collaborazione con HSBC per la rilevazione delle frodi e un progetto con BASF per la modellazione di catalizzatori chimici utilizzati nella rimozione di tossine.
Formazione e open source come leve strategiche
La costruzione di un ecosistema passa anche dalla formazione. Per questo Nvidia ha avviato una Quantum Academy, sul modello del Deep Learning Institute già attivo per l’AI, con l’obiettivo di formare nuove competenze e ampliare la comunità di sviluppatori.
La scelta dell’open source per CUDAQ è un altro elemento chiave: permette ai ricercatori di accedere liberamente agli strumenti e di contribuire al loro sviluppo, pur lasciando spazio ai partner per creare librerie proprietarie mirate ai propri obiettivi industriali.
Secondo Paciucci, investire nel software è imprescindibile anche in un settore dove l’hardware rappresenta la parte più visibile. «Nvidia probabilmente fa del bellissimo hardware… ma senza il software non riuscirete mai ad avere il ritorno di investimento di cui avete bisogno» ha affermato, ricordando come i compilatori, inclusi quelli per il quantum, siano «un aspetto fondamentale e estremamente importante».
Verso le quantum factory
Lo scenario a lungo termine delineato da Paciucci è quello delle quantum factory: infrastrutture ibride che combinano supercomputer accelerati tradizionali con sistemi quantistici specializzati. Così come oggi esistono AI foundry a supporto della produzione di modelli su larga scala, in futuro le quantum factory potrebbero rappresentare il punto di convergenza tra HPC, AI e quantum computing, con applicazioni capaci di sfruttare i punti di forza di ciascun approccio.
