Quantum Computing cos’è e a cosa serve oggi. Una guida costruita in collaborazione con CRS4, centro di ricerca, sviluppo e studi superiori in Sardegna
L’informatica quantistica/quantum computing è una tecnologia che utilizza i principi della fisica quantistica per eseguire calcoli che sono al di là della portata dei computer classici. I computer quantistici possono elaborare le informazioni in parallelo, utilizzando bit quantistici o qubit, in grado di esistere in sovrapposizioni di due stati (0 e 1) allo stesso tempo. Ciò conferisce ai computer quantistici un vantaggio rispetto ai classici, capaci di elaborare le informazioni solo in modo sequenziale, utilizzando bit di 0 o 1.
L’informatica quantistica ha molte applicazioni potenziali in vari campi, come la crittografia, l’ottimizzazione, l’intelligenza artificiale, la simulazione e l’apprendimento automatico.
[Scopri i segreti e la magia del Quantum Computing, scopri come e perché, oggi, è già una rivoluzione senza precedenti e dove sta cambiando le nostre imprese. Guarda e ascolta l’intervista esclusiva con il team Quantum Computing del Centro di ricerca, sviluppo e studi superiori in Sardegna CRS4, formato dalla ricercatrice Giuliana Siddi Moreau e dai tecnologi Marco Moro e Michele Muggiri]
Quantum Computing e crittografia
La crittografia è la scienza che si occupa di proteggere le informazioni e le comunicazioni utilizzando codici e cifrari. Uno degli obiettivi principali è garantire la privacy, l’integrità e l’autenticità di dati e messaggi. La crittografia si basa su problemi matematici di difficile soluzione, come la fattorizzazione di grandi numeri e la ricerca di logaritmi discreti. Questi problemi vengono utilizzati per creare schemi di crittografia, come RSA ed ECC, in grado di proteggere i dati da accessi e modifiche non autorizzati.
Tuttavia, i computer quantistici possono violare alcuni degli schemi di crittografia più diffusi, utilizzando algoritmi come quello di Shor e l’algoritmo di Grover. Il primo può fattorizzare grandi numeri in tempo polinomiale, mentre l’algoritmo di Grover è in grado di ricercare un database non ordinato in tempo quadratico (meglio sostituirlo così: con una crescita dei tempi d’esecuzione quadratica rispetto al numero delle variabili in gioco). Questi algoritmi possono ridurre significativamente il tempo e le risorse necessarie per decifrare le chiavi di crittografia, compromettendo così la sicurezza di molti sistemi che si basano su questi schemi, come l’online banking, il commercio elettronico e la blockchain.
D’altra parte, i computer quantistici possono anche consentire nuove forme di crittografia, come la distribuzione quantistica delle chiavi, che può garantire una comunicazione sicura contro qualsiasi intercettatore, anche quantistico. La distribuzione quantistica delle chiavi sfrutta le proprietà della meccanica quantistica, come il teorema di non clonazione e il principio di indeterminazione, per generare e condividere chiavi casuali tra due parti, senza rivelare alcuna informazione a terzi. Queste chiavi possono poi essere utilizzate per criptare e decriptare i messaggi, utilizzando schemi di crittografia convenzionali. La distribuzione di chiavi quantistiche è teoricamente infrangibile, poiché qualsiasi tentativo di intercettare o misurare gli stati quantistici delle chiavi introdurrà errori e metterà in guardia le parti legittime.
Quantum Computing e ottimizzazione
L’ottimizzazione è il processo di ricerca della soluzione migliore tra un gran numero di soluzioni possibili, soggetta a vincoli e obiettivi.
Si tratta di scenari spesso difficili da risolvere, in quanto implicano l’esplorazione di uno spazio di ricerca ampio e complesso e la ricerca dell’optimum globale, che può essere nascosto tra molti optima locali.
Per problemi di ottimizzazione non convessi, in cui la funzione costo non ha un solo minimo, gli algoritmi classici, come la discesa del gradiente, possono spesso rimanere bloccati negli optima locali mentre algoritmi genetici e stocastici possono o impiegare molto tempo per convergere verso l’optimum globale o non esplorare sufficientemente lo spazio delle possibili soluzioni. I computer quantistici possono risolvere alcuni problemi di ottimizzazione più velocemente dei computer classici, utilizzando algoritmi come il quantum annealing (o ricottura) e di ottimizzazione approssimata quantistica. L’annealing quantistico è una versione quantistica dell’annealing simulato, che sfrutta fenomeni come l’effetto tunnel quantistico per uscire dagli optima locali e raggiungere l’optimum globale.
L’algoritmo di ottimizzazione approssimata quantistica è un algoritmo ibrido quantistico-classico, che utilizza un circuito quantistico per generare una soluzione di prova e un ottimizzatore classico per per trovare i parametri ottimali del circuito quantistico che corrispondono alla migliore soluzione per il problema.
[Scopri i segreti e la magia del Quantum Computing, scopri come e perché, oggi, è già una rivoluzione senza precedenti e dove sta cambiando le nostre imprese. Guarda e ascolta l’intervista esclusiva con il team Quantum Computing del Centro di ricerca, sviluppo e studi superiori in Sardegna CRS4, formato dalla ricercatrice Giuliana Siddi Moreau e dai tecnologi Marco Moro e Michele Muggiri]
Quantum e Intelligenza artificiale
L’intelligenza artificiale è la branca dell’informatica che mira a creare macchine e sistemi in grado di eseguire compiti che normalmente richiedono l’intelligenza umana, come l’elaborazione del linguaggio naturale, la computer vision e l’apprendimento per rinforzo. L’IA si basa su algoritmi in grado di apprendere dai dati e dall’esperienza e di adattarsi a nuove situazioni e obiettivi. La tecnologia può trarre vantaggio dall’informatica quantistica, in quanto i computer quantistici possono migliorarne alcuni aspetti, come l’elaborazione del linguaggio naturale, la visione al computer e l’apprendimento per rinforzo, utilizzando algoritmi come le reti neurali, le macchine vettoriali di supporto e i circuiti variazionali quantistici.
Le reti neurali quantistiche sono versioni quantistiche delle reti neurali, elementi costitutivi dell’apprendimento profondo. Le reti neurali quantistiche utilizzano i qubit come neuroni e le porte quantistiche come connessioni, per creare complessi circuiti quantistici in grado di elaborare e memorizzare informazioni.
Queste reti possono potenzialmente offrire una maggiore precisione, una minore complessità e una convergenza più rapida rispetto alle reti neurali classiche, in quanto, attraverso l’entanglement, l’interferenza e la sovrapposizione sono in grado di ottenere una migliore rappresentazione dei dati ed avere maggiore capacità di generalizzazione da set di training più ristretti. Le reti neurali quantistiche possono essere utilizzate anche per compiti quali il riconoscimento delle immagini, la comprensione del linguaggio naturale e la modellazione generativa.
Le macchine a vettori di supporto quantistiche sono versioni quantistiche delle macchine a vettoriali di supporto, una popolare tecnica di apprendimento automatico per la classificazione e la regressione. Queste macchine utilizzano una funzione kernel quantistica, che misura la somiglianza tra due stati quantistici, per mappare i dati in uno spazio di caratteristiche quantistiche ad alta dimensionalità, dove i dati possono essere linearmente separabili. L’obiettivo è ottenere prestazioni migliori rispetto alle macchine a vettori di supporto classiche, in quanto possono accedere a uno spazio di caratteristiche più ampio e ricco e ridurre il costo computazionale della funzione kernel.
I circuiti variazionali quantistici possono essere addestrati e ottimizzati utilizzando cicli di feedback classici e utilizzati per compiti quali l’apprendimento per rinforzo, che prevede l’apprendimento per tentativi ed errori e la ricerca della politica ottimale per un determinato ambiente. I circuiti variazionali quantistici possono inoltre migliorare l’efficienza e la scalabilità dell’apprendimento per rinforzo, visto che mirano a codificare ed esplorare un ampio spazio di stati e sfruttare il parallelismo quantistico e l’interferenza per trovare l’azione ottimale.
Simulazione
La simulazione è il processo di creazione di un modello di un sistema reale o ipotetico e di studio del suo comportamento e delle sue proprietà in condizioni e scenari diversi. La simulazione può essere utilizzata per vari scopi, come la comprensione, la previsione, la verifica e la progettazione di sistemi fisici complessi. La simulazione si basa su equazioni matematiche e metodi numerici in grado di catturare e approssimare le dinamiche e le interazioni del sistema. Un ambito che può trarre vantaggio dall’informatica quantistica, visto che i computer quantistici possono simulare sistemi fisici complessi che sono difficili o impossibili da simulare sui computer classici, come la chimica quantistica, i materiali quantistici e la biologia quantistica.
Il primo è lo studio della struttura e del comportamento di molecole e atomi e delle loro interazioni con altre parti, utilizzando i principi della meccanica quantistica. La chimica quantistica è importante per molti campi, dato che può fornire approfondimenti sulle proprietà e sulle reazioni della materia a livello molecolare e consentire la scoperta di nuovi farmaci. La chimica quantistica è una sfida per i computer classici, poiché le dimensioni e la complessità del sistema quantistico crescono esponenzialmente con il numero di particelle e gradi di libertà. I computer quantistici possono simulare vari scenari in modo più efficiente e accurato, utilizzando metodicome l’algoritmo quantistico di stima della fase, l’eigensolver variazionale quantistico e l’apprendimento automatico quantistico.
Apprendimento automatico
L’apprendimento automatico è il ramo dell’intelligenza artificiale che si concentra sulla creazione di sistemi in grado di imparare dai dati e di fare previsioni e decisioni, senza essere esplicitamente programmati. Può essere suddiviso in tre tipi principali: apprendimento supervisionato, apprendimento non supervisionato e apprendimento per rinforzo. L’apprendimento supervisionato prevede l’apprendimento da dati etichettati e la formulazione di previsioni basate sul modello appreso. L’apprendimento non supervisionato include l’apprendimento da dati non etichettati e la ricerca di modelli e strutture nei dati. L’apprendimento per rinforzo prevede invece l’apprendimento per tentativi ed errori e la ricerca della politica ottimale per un determinato ambiente e una determinata funzione di rinforzo che implementa la politica che assegna premi e penalità.
L’apprendimento automatico può trarre vantaggio dall’informatica quantistica, in quanto i computer quantistici possono migliorare alcune attività, come la classificazione, il raggruppamento e la riduzione della dimensionalità, utilizzando algoritmi dedicati.
Dal canto suo, la riduzione della dimensionalità consiste nel ridurre il numero di caratteristiche o variabili nei dati, preservando le informazioni e le variazioni più rilevanti. L’analisi quantistica delle componenti principali può eseguire la riduzione della dimensionalità in modo più rapido ed efficiente rispetto all’analisi classica delle componenti principali, utilizzando algoritmi come la stima del valore singolare e la stima quantistica della fase.
Quantum Computing e trasferimento tecnologico
In un panorama così complesso, il team Quantum Computing del Centro di ricerca, sviluppo e studi superiori in Sardegna CRS4, formato dalla ricercatrice Giuliana Siddi Moreau e dai tecnologi Marco Moro e Michele Muggiri, è riuscito all’inizio del 2023 ad emulare le operazioni di un computer quantistico da 30 quantum bit (qubit), superando con successo i test convenzionali (benchmark) che validano il massimo numero di qubit simulabili in modo affidabile con hardware tradizionale.
Attualmente il numero di qubit simulabili è in forte aumento (si arriva oltre il centinaio) grazie ai progressi dell’algoritmica classica, al Centro c’è un lavoro costante per ampliare le capacità di emulazione di calcolo quantistico sull’infrastruttura HPC restando al passo con i nuovi emulatori e allargare il ventaglio di possibili casi d’uso reali della computazione quantistica utilizzando le competenze del team di ricerca e sviluppo.
A tal proposito, nel corso del 2023 il Centro ha depositato a livello internazionale il marchio del software QCRA – Quantum Computing Run Assistant, che promette di semplificare l’utilizzo di codici quantistici multipiattaforma, l’analisi e la comparazione dei risultati ottenuti su elaboratori basati su differenti tecnologie (superconduttori, ioni intrappolati, atomi neutri, simulatori, ecc.).
La piattaforma può lanciare codici quantistici con una interfaccia unica, modulare e adattabile, su simulatori e computer quantistici disponibili in loco oltre che su piattaforme geograficamente distribuite, semplificando così il lavoro dei programmatori che solitamente si confrontano con linguaggi e risorse di calcolo molto diversi tra loro. Inoltre, esegue una raccolta avanzata di parametri che consentono all’utilizzatore di valutare l’attendibilità del risultato prodotto e scegliere conseguentemente, la risorsa computazionale più idonea per il problema scientifico-tecnologico trattato.