Il settore del calcolo quantistico ha raggiunto un punto di svolta fondamentale per l’intera economia dell’innovazione. Durante un briefing riservato, IBM ha presentato insieme ai partner Algorithmiq e Qedma tre traguardi scientifici che segnano il passaggio dalla pura dimostrazione di potenza di calcolo teorica all’era del quantum advantage affidabile e verificabile. La collaborazione congiunta dimostra come le macchine quantistiche attuali siano in grado di superare le più avanzate simulazioni eseguite sui supercomputer classici mondiali, fornendo risposte stabili a problemi complessi di fisica dei materiali.
Indice degli argomenti
Che cos’è il quantum advantage e perché segna la svolta per il calcolo industriale
Per comprendere la portata di questo annuncio occorre analizzare l’evoluzione terminologica e metodologica del settore. Il settore ha superato la fase delle dimostrazioni astratte per concentrarsi su problemi con un reale impatto industriale e scientifico.
Jay Gambetta, Direttore di IBM Research e IBM Fellow, ha chiarito la duplice natura del traguardo raggiunto: “Per me, il vantaggio quantistico significa due cose: dobbiamo dimostrare un’efficienza, un tempo di esecuzione, una convenienza economica o un’accuratezza superiori che non possono essere ottenuti con i computer classici. Ma l’altro aspetto fondamentale è che dobbiamo anche assicurarci che esista un metodo di validazione. Ciò che intendiamo con questo è che la correttezza dell’output possa essere rigorosamente convalidata”.
Qual è la differenza tra supremazia quantistica e vantaggio quantistico verificabile
Nelle prime sperimentazioni di supremazia quantistica, le macchine eseguivano circuiti casuali difficilmente verificabili all’esterno dell’esperimento stesso. Il concetto di quantum advantage verificabile introduce invece il principio della trusted computation. Quando una simulazione supera le capacità di memoria ed elaborazione dei più potenti supercomputer basati su architetture classiche, sorge la necessità di fidarsi del risultato ottenuto. Questo requisito viene soddisfatto attraverso la quantificazione rigorosa dell’incertezza, le tecniche avanzate di mitigazione dell’errore e la calibrazione intenzionale dei livelli di rumore hardware.
La sfida di Algorithmiq e la simulazione dei materiali disordinati del mondo reale
La maggior parte della fisica insegnata e applicata nei modelli teorici tradizionali descrive strutture ideali e cristalli perfetti. La realtà industriale, tuttavia, è composta da materiali irregolari e disordinati. Algorithmiq, la scaleup deep tech guidata da Sabrina Maniscalco, ha focalizzato la propria ricerca sulla modellizzazione di questa complessità.
Maniscalco ha illustrato il cambio di paradigma: “I materiali reali — catalizzatori, batterie, davvero tutti i materiali che alimenteranno la prossima generazione di energia pulita e di industria — sono disordinati e irregolari. E questa irregolarità è esattamente ciò che li rende difficili da simulare, ed esattamente il motivo per cui comprenderli è fondamentale”.
Come la modellizzazione delle impurità sblocca la ricerca su batterie e catalizzatori
Attraverso la modellazione del flusso informativo e della dispersione dell’energia all’interno di reti affette da impurità, il team di Algorithmiq ha trasformato il processore quantistico di IBM in un vero e proprio sostituto programmabile della materia reale. Questo approccio consente di regolare microscopicamente le interazioni locali per osservare fenomeni come la localizzazione degli operatori. Le dinamiche osservate aprono scenari applicativi di primaria importanza per la chimica industriale, lo sviluppo di nuovi elettroliti per la mobilità elettrica e la sintesi di catalizzatori ad alta efficienza energetica.
L’approccio avversariale e il rilascio del benchmark aperto alla comunità scientifica
Per verificare la tenuta dei risultati in assenza di una soluzione classica esatta, Algorithmiq ha adottato un metodo di verifica avversariale. I dati pubblicati sul Quantum Advantage Tracker non sono stati messi a confronto soltanto con i metodi tradizionali, ma sono stati sottoposti al vaglio diretto delle migliori équipe mondiali di simulazione classica.
Come ha sottolineato Sabrina Maniscalco durante l’evento: “Siamo andati dai punti di riferimento scientifici più qualificati per smentirci. Abbiamo lavorato a stretto contatto con i principali gruppi di simulazione classica del mondo — il Flatiron Institute, l’EPFL e l’Università di Padova — cercando di attaccare i nostri risultati di vantaggio quantistico con ogni tipo di simulazione classica, non per approvarli, ma per smontarli”.
Nessun algoritmo classico basato su reti di tensori o metodi Monte Carlo è riuscito a replicare la stabilità dei dati calcolati sul sistema quantistico. A conferma della trasparenza scientifica dell’operazione, la società ha annunciato la condivisione aperta di monoprop, una piattaforma che mette a disposizione di centri di ricerca e aziende il proprio benchmark classico per la simulazione molecolare.
La risposta hardware di IBM tra 70 qubit logici e codici spazio temporali
Sul fronte dell’infrastruttura di calcolo, IBM ha illustrato le prestazioni raggiunte sui processori IBM Quantum Heron. La dimostrazione ha visto l’esecuzione di un circuito quantistico composto da 70 qubit logici e 2.415 porte logiche, completato in circa 16 minuti di calcolo quantistico.
Come la dopatura con porte t dimostra la separazione computazionale rispetto ai supercomputer
Per spingere la simulazione oltre le capacità dei supercomputer, il circuito basato sui codici spazio-temporali è stato progressivamente integrato con le cosiddette “porte T” (T-gates), note per la loro elevata complessità computazionale nei sistemi classici. Raggiunta una soglia di iniezione pari a 468 porte T, l’elaborazione classica mediante simulatori Matrix Product State (MPS) diventa inapplicabile per vincoli di memoria ed esecuzione. La correzione d’errore integrata ha permesso di mantenere costante la fedeltà del segnale nel sotto-spazio di codice definito, confermando la separazione teorica e pratica.
Il ruolo del software di mitigazione degli errori e la verifica multi piattaforma di Qedma
Un altro tassello critico per la scalabilità del settore è rappresentato dal software di livello intermedio (mid-stack), l’infrastruttura chiamata a colmare il divario generato dai rumori e dalle deerenze dell’hardware. Qedma, società co-fondata dalla pioniera della fault-tolerance Dorit Aharonov, dal CEO Asaf Carmi e dal CTO Netanel Lindner, ha sviluppato l’architettura QMX per l’ottimizzazione dell’esecuzione e la mitigazione degli errori.
Perché l’abbattimento del rumore hardware su sistemi IBM e Quantinuum garantisce calcoli affidabili
Durante l’esperimento focalizzato su un modello di elettroni soggetti a impulsi laser esterni, le simulazioni eseguite sul supercomputer giapponese Fugaku hanno richiesto 700.000 ore di calcolo CPU senza riuscire a cogliere le oscillazioni di magnetizzazione sul lungo periodo. Lo stesso sistema simulato sull’hardware quantistico gestito dal software Qedma ha completato l’elaborazione in 7 ore di calcolo.
Lindner ha evidenziato il valore della verifica incrociata multi-hardware: “Abbiamo eseguito il calcolo su due sistemi completamente diversi di Quantinuum — H1 e H2 — e i risultati ottenuti con Quantinuum corrispondono perfettamente a quelli ottenuti con IBM. Questo ci fornisce una fortissima fiducia nell’accuratezza dei risultati”.
La convergenza tra l’architettura a superconduttori di IBM e quella a ioni intrappolati di Quantinuum dimostra che la corretta soppressione del rumore produce risposte univoche e replicabili, indipendentemente dalla tecnologia fisica sottostante.
Le implicazioni per il business e il futuro della ricerca R&D industriale
I risultati annunciati aprono nuove prospettive concrete per le dipartimenti di ricerca e sviluppo delle grandi imprese. L’accesso a un quantum advantage verificabile trasforma i dispositivi quantistici in strumenti di calcolo utilizzabili per progettare materiali innovativi a livello molecolare.
Le aziende che operano nei settori dei materiali avanzati, della chimica, dei semiconduttori e della transizione energetica disporranno nei prossimi anni di piattaforme in grado di ridurre i tempi e i costi delle sperimentazioni in laboratorio. La combinazione di hardware scalabili, middleware per la riduzione degli errori e algoritmi proprietari definisce il nuovo standard con cui la ricerca R&D industriale misurerà le proprie capacità di innovazione.
Partecipa alla community