Il Computing Quantistico Ha Un Primo Caso d’Uso Reale?

Quantum, AI & Photonics: Una Nuova Rivoluzione del Calcolo

Computing and information technologies are undergoing several technological revolutions at once: the rise of AI, the emergence of quantum computing, and the turn to photonics to overcome the limitations of classic silicon computing.

Finora, ciascuno di questi nuovi settori ha operato principalmente in silos isolati: l’addestramento e il calcolo dell’IA vengono eseguiti su chip di silicio classici, il calcolo quantistico sta cercando di migliorare la sua tecnologia finché non troverà un’applicazione pratica, e la tecnologia fotonica è ancora in fase di sperimentazione su design e applicazioni.

Forse non sorprende che sia combinando questi campi che emergono nuove possibilità. Sembra che il calcolo quantistico abbia appena trovato un caso d’uso pratico e non abbia nemmeno bisogno di ulteriori miglioramenti per essere utile.

Ricercatori del Vienna Center for Quantum Science and Technology (VCQ) (Austria), del Politecnico di Milano (Italia), del Consiglio Nazionale delle Ricerche (IFN-CNR) (Italia) e dell’azienda Quantinuum (UK) hanno scoperto che i computer quantistici esistenti potrebbero superare i computer classici nell’addestramento dell’IA, utilizzando un processore fotonico.

Hanno pubblicato i loro risultati su Nature Photonics¹, con il titolo “Apprendimento automatico basato su kernel potenziato quantisticamente su un processore fotonico”.

Perché l’Addestramento dell’IA e il Calcolo Quantistico Incontrano Limiti

I Costi Crescenti e le Richieste Energetiche dell’Addestramento dell’IA

Recentemente, la tecnologia IA ha compiuto enormi progressi. Tuttavia ciò è stato ottenuto solo grazie all’uso di quantità sbalorditive di potenza di calcolo, consumando decine di miliardi di dollari in chip e elettricità.

Certamente, è possibile fare progressi in efficienza, come dimostrato da DeepSeek AI addestrato con costi ultra-bassi sia in termini di calcolo che di denaro, superando i concorrenti occidentali di un ordine di grandezza. Tuttavia, alla fine, i miglioramenti software potranno andare solo fino a un certo punto nel rendere l’addestramento dell’IA meno intensivo in termini di calcolo e energia.

Le Sfide di Scalabilità e Rumore del Calcolo Quantistico

Nel frattempo, il calcolo quantistico è una tecnologia promettente, ma finora soffre di un difetto fatale. Lo stato di materia estremamente fragile che deve essere mantenuto affinché il calcolo quantistico funzioni lo rende sia costoso sia poco scalabile.

Significa anche che i risultati ottenuti sono “rumorosi”, con errori regolari, ritardi e risultati inaffidabili.

Anche qui, le innovazioni potrebbero significare che sia una rete di piccoli computer quantistici o una nuova architettura hardware, che utilizza un nuovo stato della materia chiamato topoconductori, consentendo la scalabilità, potrebbero risolvere il problema.

Finché non sarà confermato, ciò ha comunque messo in dubbio la rilevanza del calcolo quantistico, ancora una tecnologia alla ricerca di un caso d’uso pratico che abbia senso dal punto di vista economico.

Metodi Kernel Potenziati Quantisticamente per l’IA

Come i Kernel Quantistici Aggiungono Potere Dimensionale al Machine Learning

I metodi kernel sono strumenti ampiamente utilizzati nel machine learning e impiegano un metodo matematico per aggiungere dimensioni a un set di dati, migliorando l’identificazione di pattern nascosti.

Fonte: MDPI

Questo, naturalmente, comporta una matematica piuttosto complessa, comprensibile per la maggior parte solo da un ristretto gruppo di specialisti già operanti in questo campo. È possibile vedere una rappresentazione visiva di come funziona in questo video:

E tali calcoli complessi potrebbero essere perfettamente adatti alle capacità uniche dei computer quantistici.

I Processori Fotonici Incontrano i Kernel Quantistici per l’IA

Per questo esperimento è stato utilizzato un processore fotonico integrato, creato mediante scrittura laser femtosecondi su un substrato di vetro borosilicato, per codificare i dati in uno stato trattabile da un computer quantistico.

Fonte: Nature Photonics

In questo modo, i kernel che mostrano interferenza quantistica sono stati utilizzati per il calcolo e confrontati con i metodi classici.

Fonte: Nature Photonics

Risultati Sperimentali: Kernel Quantistici vs. Classici

Gli scienziati hanno testato quattro diverse dimensioni di set di dati, varianti da 40 a 100 punti, dove il kernel quantistico (in blu) è stato confrontato con il kernel classico (in arancione).

Fonte: Nature Photonics

In entrambi gli esperimenti, il kernel quantistico ha ottenuto prestazioni migliori rispetto a quello classico.

“Abbiamo scoperto che per compiti specifici il nostro algoritmo commette meno errori rispetto al suo omologo classico.”

Philip Walther – Professor at the University of Vienna.

Prossimi Passi Verso l’Addestramento AI Quantistico nel Mondo Reale

Dal Demo alla Produzione: Addestramento AI Quantistico

Questo esperimento ha dimostrato che i computer quantistici, esistenti oggi, possono superare i computer classici in compiti comunemente usati nell’addestramento di reti neurali.

Questo è importante perché finora si presumeva che solo un computer quantistico più affidabile potesse essere utilizzato per questo tipo di applicazione. Ora che è stato dimostrato sperimentalmente che non è così, il passo successivo sarà effettuare anche una prova limitata di addestramento AI reale con questa tecnologia.

Per questo, potrebbero essere progettati nuovi algoritmi ispirati alle architetture quantistiche, raggiungendo prestazioni migliori.

“Ciò implica che i computer quantistici esistenti possono mostrare buone prestazioni senza necessariamente superare la tecnologia allo stato dell’arte” Zhenghao Yin – PhD Student at the University of Vienna.

Come la Fotonica Quantistica Riduce il Consumo Energetico dell’IA

Le piattaforme fotoniche possono fornire lo stesso o un output di calcolo superiore con un consumo energetico molto più basso. Poiché l’energia sta diventando sempre più il collo di bottiglia dell’industria IA, più della capacità di calcolo o delle innovazioni, ciò potrebbe rendere particolarmente importante l’uso dei computer quantistico-fotonici.

“Questo potrebbe rivelarsi cruciale in futuro, dato che gli algoritmi di machine learning stanno diventando impraticabili a causa dell’elevata richiesta energetica”. Iris Agresti – PhD Student at the University of Vienna.

 Trapped-Ion vs. Superconducting Quantum Tech: What Comes Next?

Potrebbe avere importanti conseguenze per la direzione dell’industria del calcolo quantistico.

Finora, il settore è stato diviso tra la tecnologia trapped-ion, con alta affidabilità ma bassa capacità di calcolo quantistico (qubit) per dispositivo, e progetti più complessi basati sulla superconduttività, finora molto rumorosi, ma più propensi a diventare scalabili a un grande volume di qubit.

La ricerca è stata prodotta in stretta collaborazione con Quantinuum, con 4 su 12 scienziati dell’articolo impiegati in questa azienda. In qualità di specialista della tecnologia trapped-ion, ha senso che Quantinuum cerchi una situazione in cui il basso numero di qubit dei suoi computer possa già realizzare un caso d’uso aziendale rilevante.

Se ciò si dimostrerà vero, potrebbe rendere l’azienda un fornitore chiave di capacità di calcolo per l’industria IA, forse imitandone almeno una frazione i risultati di Nvidia’s (NVDA ) achievements.

Investire nel Calcolo Quantistico

Honeywell / Quantinuum

Quantinuum è il risultato della fusione tra Honeywell Quantum Solutions e Cambridge Quantum.

Honeywell rimane l’azionista di maggioranza dell’azienda (probabilmente il 52% delle azioni) dopo un round di raccolta fondi che lo ha valutato a 5 miliardi di dollari. Si dice che il fondatore Ilyas Khan possieda circa il 20% dell’azienda. Altri azionisti includono JSR Corporation, Mitsui, Amgen, IBM e JP Morgan.

Un potenziale IPO di Quantinuum in futuro, potenzialmente come parte di una più ampia ristrutturazione aziendale, si stima possa valere fino a 20 miliardi di dollari e potrebbe avvenire tra il 2026 e il 2027.

Il calcolo quantistico non è la parte centrale del business di Honeywell, più focalizzato su prodotti nei settori aerospaziale, automazione e chimica specializzata & materiali.

Ciascuno di questi settori potrebbe, tuttavia, beneficiare del calcolo quantistico, in particolare chimica computazionale e la sicurezza informatica quantistica, potenzialmente conferendo a Honeywell un vantaggio rispetto ai concorrenti.

Il modello principale dell’azienda al momento è l’H2, un chip trapped-ion da 56 qubit, con una fedeltà delle porte a due qubit del 99,895%.

L’azienda ha perseguito un calcolo di alta qualità con pochissimi errori più che aggiungere quanti più qubit possibile, creando quello che si chiama “calcolo quantistico tollerante ai guasti”.

Questo approccio è etichettato dall’azienda “Migliori qubit, migliori risultati”, con una quantità simile di qubit che ottiene risultati da 100 a 1.000 volte più affidabili.

Fonte: Quantinuum

Ciò potrebbe fare una differenza notevole nella crittografia resistente al quantum, urgentemente necessaria, con la società di difesa Thales (HO.PA -0.96%) già in collaborazione con Quantinuum e la banca internazionales HSBC e JP Morgan.

Quantinuum offre anche la sua chimica computazionale quantistica proprietaria InQuanto, utilizzabile per prodotti farmaceutici, scienze dei materiali, chimica, energia e applicazioni aerospaziali.

Come molte altre aziende di calcolo quantistico, Quantinuum offre Helios, un “hardware-as-a-service”, consentendo agli utenti di beneficiare del calcolo quantistico senza doversi occupare della complessità di gestire il sistema.

Quantinuum ha firmato a novembre 2024 una partnership con la tedesca Infineon, il più grande produttore europeo di semiconduttori. Infineon porterà la sua fotonica integrata e la tecnologia di elettronica di controllo per aiutare a creare la prossima generazione di computer quantistici trapped-ion.

Poiché la fotonica integrata si avvicina a casi d’uso pratici, ora è chiaro quanto importante possa essere questa partnership per il futuro di Quantinuum. A questo punto, sembra che il prossimo passo per l’azienda sarà rilasciare il primo chip fotonico-quantistico al mondo focalizzato sull’IA.

Nei prossimi mesi, Quantinuum condividerà i risultati delle collaborazioni in corso, mostrando il potenziale rivoluzionario dei progressi guidati dal quantistico nell’IA Generativa.

La capacità innovativa Gen QAI migliorerà e accelererà l’uso dei Metal-Organic Frameworks per la somministrazione di farmaci, aprendo la strada a opzioni di trattamento più efficienti e personalizzate, con dettagli che saranno svelati al lancio di Helios.

Quantinuum Annuncia una Scoperta di IA Quantistica Generativa con Enorme Potenziale Commerciale

L’annuncio in questa pubblicazione fa parte di una serie di notizie relative al rapido progresso della connessione IA-calcolo quantistico realizzata da Quantinuum.

Altri casi d’uso in corso potrebbero aumentare notevolmente il valore futuro dell’azienda e, di conseguenza, la quota di Honeywell in essa e il potenziale profitto che gli investitori potrebbero ottenere.

Ultime Notizie e Sviluppi sulle Azioni Honeywell / Quantinuum (HON)

Studio di Riferimento

^{1. Yin, Z., Agresti, I., de Felice, G. et al. Apprendimento automatico basato su kernel potenziato quantisticamente su un processore fotonico. Nature Photonics. (2025). https&#58://doi.org/10.1038/s41566-025-01682-5}