Quantum Computing: la tecnologia di frontiera che riscrive gli algoritmi del futuro

Per comprendere le potenzialità del calcolo quantistico è importante conoscere i suoi concetti chiave:

• Qubit, è l’unità di base dell'informazione quantistica. A differenza del bit tradizionale, che può assumere solo i valori 0 oppure 1, il qubit, sfruttando il principio fisico della superposition, può trovarsi in una combinazione di entrambi gli stati contemporaneamente. Ciò permette ai computer quantistici di valutare più soluzioni simultaneamente;
• Quantum Gates o Porte Quantistiche, sono operazioni che agiscono sui qubit, modificandone lo stato. In una maniera simile alle porte logiche dell’informatica classica, le quantum gates sono i “mattoni” con cui si costruiscono e si manipolano le informazioni nei circuiti quantistici;
• Entanglement, è la correlazione profonda tra qubit, che permette di modellare dipendenze complesse e difficilmente trattabili in modelli classici. È il fenomeno per il quale il cambiamento dello stato di un qubit influenza - anche a distanza e istantaneamente - lo stato di un altro qubit a cui esso è “intrecciato”;
• Misurazione, è il processo di conversione di uno stato quantistico in un’informazione classica (leggibile come 0 o 1). A causa della natura probabilistica della meccanica quantistica, il risultato dipende dalla configurazione iniziale del qubit e può variare anche a parità di condizioni;
• Circuiti Quantistici, ossia le sequenze strutturate di porte quantistiche applicate ai qubit che trasformano gli stati iniziali degli stessi fino all’ottenimento del risultato tramite misurazione finale.

La differenza con il calcolo tradizionale parte già, quindi, dall’unità base della computazione. Nella computazione classica, come abbiamo visto, è il bit, che può assumere solo i valori 0 o 1. Nel Quantum Computing, invece, il qubit può esistere in una sovrapposizione di stati tra 0 e 1, consentendo l’elaborazione parallela di molteplici combinazioni di dati.

Inoltre, quando due o più qubit sono entangled, lo stato di ciascuno diventa strettamente legato a quello degli altri: la modifica o la misurazione dello stato di un qubit influenza immediatamente anche lo stato degli altri, indipendentemente dalla distanza che li separa. Questa proprietà esclusiva dei sistemi quantistici permette di elaborare e correlare informazioni in modo estremamente efficiente. Questo significa che, in alcuni casi, i computer quantistici possono risolvere problemi che sarebbero inaccessibili o richiederebbero troppo tempo con le tecnologie tradizionali.

Sebbene il potenziale sia elevato, oggi le applicazioni reali sono ancora limitate. Il principale ostacolo è l’hardware, ancora costoso e in fase sperimentale. Per questo, molti algoritmi vengono eseguiti attraverso simulatori su computer classici.

La sinergia tra Quantum Computing e AI apre prospettive interessanti in termini di efficienza, affidabilità e trasparenza dei modelli di machine learning.

Uno degli ambiti in cui la sinergia fra AI e quantum può essere sperimentata è quello dell’antifrode. In particolare, il team di GFT sta sperimentando architetture ibride che combinano AI classica e algoritmi quantistici, con l’obiettivo di ridurre i falsi positivi e aumentare la spiegabilità dei modelli predittivi.

Ulteriori ambiti in cui sono in corso sperimentazioni con QML sono:
 

• Finanza, per l’ottimizzazione dei portafogli di investimento;
• Telco, per l’efficientamento di reti di telefonia e connettività;
• Life Science, per la scoperta di nuove molecole e farmaci.

Tra i simulatori utilizzati da GFT c’è PennyLane, framework nato nell’ambito della chimica computazionale e, oggi, utile strumento per tutti coloro che desiderano sperimentare con la computazione quantistica.

PennyLane consente di sviluppare algoritmi di Quantum Machine Learning eseguibili sia su hardware classico (CPU/GPU) sia su computer quantistici in Cloud.

Come accennato, dal novembre 2024, GFT è coinvolta nel progetto PNRR “FD4QC”, in collaborazione con l’Università di Padova: l’obiettivo è quello di sviluppare modelli per la classificazione binaria delle transazioni finanziarie, discriminando tra fraudolente e non fraudolente.

Una delle maggiori sfide per i sistemi antifrode è la riduzione dei falsi positivi (i.e. l’errata classificazione di una transazione benevola come fraudolenta). Questi possono generare danni reputazionali e perdita di fiducia da parte del cliente, nonché comportare costi operativi notevoli.

Nel progetto sono stati confrontati modelli di AI classica e modelli ibridi AI + Quantum Computing.

I risultati hanno confermato la solidità dei metodi classici, ma hanno anche evidenziato il potenziale del Quantum Computing. In particolare, il modello Quantum Support Vector Machine (QSVM) ha dimostrato prestazioni promettenti, caratterizzate da un’elevata precisione e un numero ridotto di falsi positivi.

Questi risultati indicano che, pur essendo una tecnologia ancora in fase di maturazione, il Quantum Computing potrebbe rappresentare un fattore differenziante nel medio-lungo periodo, soprattutto in scenari in cui è cruciale minimizzare gli errori di classificazione e migliorare l’efficienza operativa.

GFT è un front-mover nel panorama del Quantum Computing, con una visione chiara su come questa tecnologia possa evolvere e trasformare a più livelli il panorama del Machine Learning. Per questo, investiamo nella formazione delle risorse, nella sperimentazione pratica e nella valutazione critica delle soluzioni disponibili, per offrire ai nostri clienti un percorso di adozione consapevole e strategico verso la tecnologia quantum.

Comprendere oggi i meccanismi, i limiti e le potenzialità di questa tecnologia è ciò che ci permetterà di essere protagonisti del salto innovativo di domani.

Fonti:

• * https://stream24.ilsole24ore.com/video/italia/italia-ritardo-quantum-computing-ora-governo-cerca-1-miliardo/AH0PpijB