C'è un momento in ogni campo della tecnologia in cui due rivoluzioni si incrociano e il mondo intero trattiene il fiato. Per la scienza computazionale, quel momento è adesso. L'intelligenza artificiale, che già trasforma ogni aspetto della nostra vita quotidiana, sta guardando con sempre più interesse a una tecnologia nata dai laboratori di fisica teorica: il quantum computing. Ma cosa succede realmente quando si cerca di far dialogare queste due discipline? Il quadro è più sfumato — e più affascinante — di quanto la retorica suggerisca.
Due rivoluzioni, un destino condiviso
Per comprendere il legame tra AI e quantum computing, bisogna partire da un fatto semplice: l'intelligenza artificiale moderna è, prima di ogni cosa, un problema di calcolo. Le reti neurali profonde consumano risorse computazionali enormi. Addestrare un modello come GPT-4, secondo le stime rese pubbliche da OpenAI nel 2023, ha richiesto migliaia di GPU NVIDIA per settimane, con un costo computazionale stimato in centinaia di milioni di dollari. Man mano che i modelli crescono in complessità, il muro della scalabilità classica si fa più vicino.
Qui entra in gioco il quantum computing. A differenza di un processore classico che elabora bit in stato binario (0 o 1), un quantum computer lavora con qubit, che possono esistere in sovrapposizione — una combinazione quantistica di 0 e 1 contemporaneamente — e possono essere entangled, cioè collegati tra loro in modo che lo stato di uno influenzi istantaneamente quello dell'altro, indipendentemente dalla distanza. Queste proprietà non sono fantascienza: sono previsioni della meccanica quantistica confermate sperimentalmente decine di volte, a partire dagli esperimenti di Aspect negli anni '80 fino ai Nobel per la fisica assegnati ad Alain Aspect, John Clauser e Anton Zeilinger nel 2022.
La promessa, dunque, è seducente: un quantum computer potrebbe esplorare spazi di soluzioni che un supercomputer classico impiegherebbe millennia a percorrere, e l'AI potrebbe sfruttare questa potenza per risolvere problemi oggi impraticabili.
Quantum Machine Learning: cosa siamo realmente in grado di fare?
Il campo del quantum machine learning (QML) esiste ormai da circa un decennio e ha prodotto risultati teorici significativi. Alcuni algoritmi quantistici, come il quantum support vector machine o le variational quantum circuits, hanno dimostrato in principi che possono accelerare determinate operazioni tipiche del machine learning, come il calcolo di similarità in spazi ad altissima dimensionalità.
Ma la parola chiave qui è "in principio". Lo stato attuale dell'hardware quantistico si trova nell'era dei cosiddetti NISQ — Noisy Intermediate-Scale Quantum — un termine coniato dal fisico John Preskill nel 2018. I processori quantistici attuali, come l'IBM Condor (1.121 qubit, annunciato a fine 2023) o il Google Willow (105 qubit con correzione degli errori, presentato nel dicembre 2024), sono potenti ma afflitti da due problemi strutturali:
- Decoerenza: i qubit perdono il loro stato quantistico in tempi estremamente brevi, spesso microsecondi o millisecondi, rendendo i calcoli lunghi e complessi estremamente fragili.
- Gate error rate: le operazioni sui qubit non sono perfette. Ogni gate quantistico introduce errori, e in un circuito profondo questi errori si accumulano rapidamente, rendendo il risultato inaffidabile.
Ciò significa che, per ora, la maggior parte dei risultati ottenuti con il quantum machine learning su hardware reale non supera — e spesso non eguaglia — le prestazioni di algoritmi classici ben ottimizzati. Un articolo pubblicato su Nature Physics nel 2021 ha analizzato decine di dimostrazioni所谓的 "quantum advantage" nell'ambito del machine learning e ha concluso che molte di queste, pur essendo legittime dal punto di vista teorico, non risolvono problemi per cui il calcolo classico sia effettivamente insufficiente.
Tuttavia, sarebbe un errore concludere che il campo sia stagnante. La strategia attuale della comunità scientifica si concentra su approcci ibridi: circuiti quantistici profondi abbastanza da sfruttare la sovrapposizione, ma corti abbastanza da mantenere i livelli di errore gestibili, con componenti classiche che compensano le lacune. I parameterized quantum circuits, ad esempio, stanno dimostrando potenziale nella generazione di rappresentazioni dati che catturano correlazioni complesse invisibili ai metodi classici. I ricercatori del MIT e del Politecnico di Zurigo hanno recentemente mostrato come certi kernel quantistici possano esprimere funzioni di similarità che esistono solo in spazi esponenzialmente grandi.
Il futuro: rimodellare i confini del possibile
Se guardiamo alla roadmap dei principali player del settore, il quadro diventa più concreto. IBM prevede di raggiungere i 100.000 qubit entangled entro il 2033. Google, con il suo programma di correzione degli errori quantistici presentato con Willow, ha dimostrato per la prima volta che aggiungere più qubit a un sistema corretto può effettivamente ridurre il tasso di errore — un risultato teoricamente previsto ma mai ottenuto sperimentalmente prima. Microsoft, invece, sta puntando su qubit topologici, una via radicalmente diversa che potrebbe offrire maggiore stabilità intr