Il contesto del quantum computing

Nel video seguente, Olivia Lanes ti guida attraverso i contenuti di questa lezione. In alternativa, puoi aprire il video YouTube di questa lezione in una finestra separata.

Hai iniziato questo corso tuffandoti subito nell'esecuzione del tuo primo Circuit quantistico e nell'apprendere come le leggi della meccanica quantistica vengono usate per creare stati quantistici, Gate e Circuit. Ora facciamo un passo indietro. In questa sezione, esploreremo il quantum computing attraverso diversi framework che ti aiuteranno a navigare conversazioni, titoli di giornale e articoli sul quantum computing con uno sguardo più critico.

Non c'è dubbio che ci sia grande entusiasmo attorno al quantum computing e alle possibilità che questa tecnologia potrebbe offrire. Si potrebbe addirittura chiamarlo "hype." Come accade sempre quando c'è hype attorno a una nuova scoperta, può essere difficile distinguere i fatti dalla finzione. Tenendo questo a mente, è meglio iniziare con ciò che il quantum computing non è:

• Il quantum computing non sostituirà i tradizionali computer classici — né finirà in un "telefono cellulare quantistico"
• Non è un modo per "verificare simultaneamente tutte le possibili risposte contemporaneamente"
• Non è universalmente superiore ai computer classici per tutti i compiti
• Non è in guerra con l'IA
• Non è inutile finché non raggiungiamo la tolleranza ai guasti o la correzione degli errori
• Non è magia

Speriamo che questo non ti abbia fatto abbandonare completamente questo corso o ti faccia pensare che non ci sia nulla di valore qui. Tutt'altro! Il quantum computing ha il potenziale di essere immensamente potente — ma solo per certe applicazioni. Fortunatamente, quelle applicazioni includono aree di ricerca attiva che potrebbero trasformare fondamentalmente il modo in cui affrontiamo problemi importanti, come le simulazioni chimiche, l'esplorazione dei materiali e l'analisi di grandi set di dati. Prima di esplorare queste aree applicative, approfondiamo alcune di queste idee errate.

Scalabilità

Un'altra comune idea errata sui computer quantistici è che più qubit hanno, più sono potenti. Sebbene non sia necessariamente sbagliato, questo non dipinge il quadro completo. Mentre scalare in quantità è certamente un elemento cruciale, non è più importante della qualità dei qubit stessi. La qualità viene misurata in vari modi, uno dei più importanti essendo i tempi di coerenza e dephasing, o $T_1$ e $T_2$ rispettivamente. Questi sono misure di quanto a lungo le informazioni quantistiche in un qubit possono rimanere stabili. Quando i primi qubit superconduttori furono dimostrati, questo numero era nell'ordine dei nanosecondi (Nakamura et al., 1999); ora, produciamo regolarmente qubit che hanno tempi di coerenza stabili di centinaia di microsecondi.

Un altro componente critico a cui guardiamo quando valutiamo il miglioramento dei computer quantistici è la velocità. Per misurare la velocità usiamo qualcosa chiamato Circuit Layer Operations per Second (CLOPS). CLOPS incorpora sia il tempo per eseguire un Circuit sia il calcolo classico in tempo reale e near-time, consentendogli di fungere da misura olistica della velocità.

Tutti e tre questi elementi insieme sono necessari per continuare a costruire il percorso verso un computer quantistico fault-tolerant e universale. Ecco perché, guardando la roadmap di IBM Quantum®, noterai che alcuni salti tra processori non hanno grandi aumenti nel conteggio dei qubit. Per esempio, nota il modesto aumento di qubit tra Heron e Nighthawk, perché quello non è il vero focus di quel miglioramento. Al contrario, Nighthawk implementa una nuova topologia di connettività che consentirà diversi codici di correzione degli errori.

Correzione degli errori versus mitigazione degli errori

La correzione degli errori rimane uno dei maggiori obiettivi a lungo termine per i ricercatori nel quantum computing. Si basa sulla premessa che i qubit rimarranno sempre in qualche modo rumorosi e soggetti a errori, e se vogliamo eseguire algoritmi su larga scala, come quello di Shor per esempio, avremo bisogno della capacità di rilevare e correggere questi errori in tempo reale. Ci sono molti tipi di codici di correzione degli errori, e ti rimandiamo ad altri corsi (come il corso Foundations of quantum error correction) se vuoi approfondirli.

La mitigazione degli errori, d'altra parte, viene già utilizzata regolarmente per migliorare i risultati del quantum computing. L'idea alla base della mitigazione degli errori è che accettiamo che gli errori si verificheranno, e cerchiamo di prevedere il loro comportamento per ridurre gli effetti di tali errori. Ci sono molte tecniche di mitigazione degli errori; molte richiedono più esecuzioni su un computer quantistico più un po' di post-elaborazione classica. È improbabile che la correzione degli errori sostituisca completamente la mitigazione degli errori. Invece, prevediamo che entrambe vengano utilizzate insieme per restituire i migliori risultati possibili dai computer quantistici.

Componenti del quantum computing

In precedenza, abbiamo menzionato che è un'idea errata comune che i computer quantistici un giorno sostituiranno i computer classici. Questo non è assolutamente il caso; i computer quantistici e i computer classici non sono in guerra per sostituirsi a vicenda. In effetti, come notato nella sezione precedente, i computer quantistici hanno bisogno dei computer classici per funzionare, per una serie di motivi. Quando parliamo di "computer" in senso lato, di solito assumiamo che includano tutti i componenti come CPU, RAM, memoria e così via. Al contrario, un computer quantistico non ha tutti questi componenti. Spesso quando le persone parlano di un computer quantistico, si riferiscono in realtà alla QPU, o Unità di Elaborazione Quantistica, che prende il ruolo di elaborazione dalla CPU. La QPU stessa non è un computer per uso generale. Non esegue un sistema operativo, non gestisce la memoria, né gestisce le interfacce utente. Il suo unico ruolo è manipolare i qubit in base a operazioni quantistiche accuratamente controllate prima di restituire i risultati delle misurazioni a un sistema classico.

In pratica, i computer quantistici odierni sono meglio compresi come sistemi ibridi. Un computer classico orchestra il flusso di lavoro — preparando gli input, compilando i Circuit quantistici, pianificando i job e post-elaborando i risultati — mentre la QPU esegue solo la parte quantistica del calcolo. Anche con il progresso dell'hardware quantistico, questa divisione del lavoro dovrebbe persistere, con il progresso focalizzato su una più stretta integrazione e una comunicazione più rapida tra i sistemi classici e le QPU, piuttosto che sull'eliminazione completa dei componenti classici.

Probabili aree di applicazione del quantum computing

Classifichiamo ampiamente le aree in cui riteniamo che il quantum computing avrà il maggiore impatto in quattro categorie: ottimizzazione, simulazione hamiltoniana, equazioni alle derivate parziali (PDE) e machine learning.

Simulazione hamiltoniana

Questo argomento riguarda la simulazione dei processi quantomeccanici presenti in natura. Nella sua essenza, comporta due ampi compiti: trovare l'energia dello stato fondamentale di un sistema descritto dal suo Hamiltoniano, che codifica l'energia totale e le interazioni all'interno del sistema, e simulare come quel sistema evolve nel tempo (dinamica quantistica).

Questa è una delle aree applicative più naturali per i computer quantistici: i sistemi quantistici sono notoriamente difficili da simulare sui computer classici, perché la dimensione dello spazio degli stati quantistici cresce esponenzialmente con il numero di particelle. I computer quantistici, al contrario, rappresentano direttamente gli stati quantistici, rendendoli ben adatti — almeno in linea di principio — a questo tipo di problemi.

Le principali aree di applicazione includono:

• Chimica e scienza dei materiali: previsione della struttura molecolare, percorsi di reazione, energie di legame e proprietà dei materiali
• Fisica della materia condensata: studio di sistemi fortemente correlati, transizioni di fase e stati quantistici esotici
• Fisica delle alte energie e nucleare: modellazione delle interazioni tra particelle

A lungo termine, i progressi nella simulazione hamiltoniana potrebbero consentire:

• Una scoperta di farmaci e una progettazione di catalizzatori più accurate
• La scoperta di nuovi materiali per le batterie
• Una comprensione più profonda dei fenomeni fisici fondamentali

Molti degli algoritmi quantistici più studiati, come SQD, sono stati sviluppati specificamente pensando alla simulazione hamiltoniana. Di conseguenza, questa categoria è spesso considerata uno dei casi d'uso scientificamente più convincenti e teoricamente più solidi per il quantum computing.

Ottimizzazione

I problemi di ottimizzazione consistono nel trovare la soluzione migliore tra un grande insieme di possibili soluzioni, soggetta a vincoli. Questi problemi compaiono in scienza, ingegneria e industria, e spesso diventano computazionalmente intrattabili man mano che le dimensioni del problema crescono.

Esempi includono:

• Scheduling e routing (per esempio, catene di approvvigionamento, flusso del traffico, pianificazione delle compagnie aeree)
• Ottimizzazione del portafoglio e gestione del rischio (finanza)
• Allocazione delle risorse e logistica
• Problemi combinatori come la partizione dei grafi e il max-cut

Molti problemi di ottimizzazione sono classificati come NP-hard nella teoria della complessità, il che significa che gli algoritmi classici si affidano tipicamente a euristiche o approssimazioni per istanze di grandi dimensioni. Poiché i qubit si comportano diversamente dai bit classici, possiamo modellare le soluzioni in modo diverso. Questo potrebbe permetterci di esplorare gli spazi delle soluzioni più rapidamente o più completamente degli algoritmi classici.

Gli approcci quantistici comuni includono:

• Algoritmi variazionali, come il Quantum Approximate Optimization Algorithm (QAOA)
• Flussi di lavoro classico-quantistici ibridi, dove i solver classici guidano e raffinano le subroutine quantistiche

Sebbene rimanga una domanda aperta quando — o per quali problemi — l'ottimizzazione quantistica offrirà un chiaro vantaggio rispetto ai metodi classici allo stato dell'arte, l'ottimizzazione rimane un'area di grande interesse per la sua ubiquità e la naturale mappatura tra obiettivi di ottimizzazione e Hamiltoniani quantistici.

Equazioni alle derivate parziali (PDE)

Le equazioni alle derivate parziali descrivono come le grandezze fisiche cambiano nello spazio e nel tempo. Sono alla base di molti dei modelli più importanti in scienza e ingegneria, inclusi la dinamica dei fluidi, l'elettromagnetismo, il trasferimento di calore e la modellazione finanziaria.

Esempi includono:

• Equazioni di Navier-Stokes per il flusso dei fluidi
• Equazioni di Schrödinger e delle onde
• Equazioni di Maxwell
• Black-Scholes e PDE finanziarie correlate

Risolvere numericamente le PDE sui computer classici spesso richiede griglie spaziali fini e lunghe evoluzioni temporali, portando a un elevato costo computazionale e utilizzo della memoria.

Gli algoritmi quantistici per le PDE si basano tipicamente su quanto segue:

• Mappatura delle PDE su grandi sistemi di equazioni lineari
• Subroutine di algebra lineare quantistica, come l'algoritmo HHL e le sue varianti
• Flussi di lavoro ibridi dove la pre-elaborazione e la post-elaborazione classica circondano i core quantistici

In teoria, certi approcci quantistici possono offrire speedup esponenziali o polinomiali in presenza di ipotesi specifiche (come una preparazione e una lettura efficienti dello stato). In pratica, la risoluzione delle PDE si prevede essere un'applicazione a più lungo termine, strettamente legata ai progressi nel quantum computing fault-tolerant e nell'integrazione quantistico-classica con sistemi di calcolo ad alte prestazioni (HPC).

Machine learning

Il quantum machine learning (QML) esplora come i computer quantistici potrebbero migliorare o accelerare aspetti del machine learning e dell'analisi dei dati. Ciò include entrambi i seguenti aspetti:

• Usare i computer quantistici per esplorare problemi di classificazione con comportamenti diversi rispetto agli algoritmi classici
• Sviluppare nuovi modelli di natura intrinsecamente quantistica

Le applicazioni proposte includono:

• Classificazione e clustering
• Metodi del kernel e mappe delle feature
• Subroutine di ottimizzazione all'interno dei cicli di training

Molti algoritmi QML sfruttano:

• Circuiti quantistici parametrizzati come modelli addestrabili
• Tecniche di ottimizzazione variazionale
• Kernel quantistici che operano implicitamente in spazi delle feature ad alta dimensione

Tuttavia, il machine learning è un'area particolarmente difficile per il vantaggio quantistico. Il machine learning classico è estremamente maturo, e i modelli quantistici devono confrontarsi con problemi come il caricamento dei dati, il rumore e la scalabilità.

Di conseguenza, la ricerca attuale si concentra su queste aree:

• Identificare regimi specifici in cui i modelli quantistici potrebbero superare quelli classici
• Esplorare il QML come parte di flussi di lavoro ibridi piuttosto che come sostituzioni autonome
• Comprendere espressività, addestrabilità e generalizzazione dei modelli quantistici

Il quantum machine learning rimane un'area di ricerca attiva, con un potenziale impatto a lungo termine — ma anche significative domande aperte su quando e dove emergerà un vantaggio pratico.

Conclusione

Questa lezione ha chiarito che il vantaggio quantistico non riguarda la sostituzione dei computer. Si tratta di espandere ciò che è calcolabile. È uno dei progetti ingegneristici più ambiziosi che l'umanità abbia mai tentato. E come tutti i progetti ambiziosi, è caotico, lento e piuttosto sorprendente.

Se vuoi un approfondimento su come funzionano effettivamente questi algoritmi, la prossima lezione ti mostrerà dove andare da qui in base ai tuoi interessi e obiettivi di carriera.