La rivista NPJ Quantum Information ha pubblicato un algoritmo della Statale di Milano che trasforma il rumore dei qubit da problema irrisolvibile a motore di calcolo. Il sistema, chiamato dai ricercatori AI ad eco, è stato testato sull'hardware quantistico IBM Torino e rappresenta uno dei risultati concreti degli oltre 140 milioni di euro che l'Italia ha destinato all'AI quantistica attraverso il PNRR.
Come funziona la memoria evanescente quantistica
Il team formato da Emanuele Ricci, Francesco Monzani, Luca Nigro e dal professor Enrico Prati, fisico teorico all'Università Statale di Milano ha costruito un reservoir computing quantistico: un circuito che riceve dati in sequenza, conserva traccia degli ingressi recenti e lascia decadere quelli più vecchi. Il meccanismo si ispira a come operano i neuroni, capaci di elaborare segnali immersi nel frastuono di migliaia di altri impulsi. Nel cervello questo processo porta il nome di memoria evanescente.
Il problema tecnico era preciso: i qubit, misurati ripetutamente, tendono verso uno stato indistinto che rende sempre più difficile separare sequenze di dati diverse. I ricercatori hanno aggiunto qubit ancilla inizializzati allo stato zero e rotazioni controllate (CRX) per indurre un decadimento calibrabile. Il risultato è un filtro regolabile: l'algoritmo ricorda quanto basta del passato prossimo e scarta il resto, senza perdere le informazioni rilevanti.
Il PNRR e i 140 milioni per il quantum computing italiano
Il lavoro della Statale rientra in un investimento pubblico più ampio. L'Italia ha allocato oltre 140 milioni di euro del PNRR al calcolo quantistico, attraverso il progetto Qxtreme nel Partenariato Esteso FAIR e il progetto PRIN-PNRR PhysiComp. Lo stesso Prati ha raccontato come l'idea fosse nata nel 2015, ma all'epoca mancavano sia i fondi sia l'hardware per verificarla: solo il finanziamento PNRR, avviato a fine 2023, ha reso possibili i due anni di ricerca che hanno portato alla pubblicazione.
La svolta è arrivata grazie all'accesso a IBM Torino, il processore superconduttore Heron r1 da 133 qubit. I test hanno confermato i risultati fino al benchmark NARMA-5; oltre questa soglia le prestazioni calano, limite fisico che i ricercatori riconoscono apertamente. Non è il primo risultato rilevante per questo gruppo: nel 2023, con il Politecnico di Milano, aveva dimostrato su Nature Communications Physics che un computer quantistico rileva intrusioni di rete 64 volte più velocemente dei sistemi classici su un dataset reale di tre milioni di pacchetti.
Il contesto globale preme: la domanda di calcolo per l'AI cresce ogni anno e con essa il consumo energetico. I accordi da miliardi di dollari per una nuova era dell'intelligenza artificiale segnalano la direzione dei grandi player privati verso sistemi sempre più estesi. Il reservoir computing quantistico punta invece a un'architettura che sfrutta la fisica del dispositivo invece di combatterla.
Le applicazioni concrete e i limiti da superare
L'algoritmo è progettato per dati con un ordine temporale, dove il significato dipende dalla sequenza degli eventi più che dal singolo valore. I campi identificati dal team sono l'analisi di sequenze genomiche, le serie finanziarie, la previsione del carico delle reti di distribuzione elettrica e la modellazione meteorologica del digital twin della Terra. Anche sistemi come l'AI di Google per l'asfalto autoriparante senza buche mostrano quanto il trattamento di dati sequenziali in ambienti rumorosi sia un problema comune a settori molto diversi.
I computer quantistici a uso generale non sono ancora disponibili su scala larga, e i benchmark attuali dell'algoritmo si fermano a NARMA-5: oltre questa soglia la capacità discriminativa del reservoir cala per limiti fisici dell'hardware attuale. Ma l'algoritmo della Statale non richiede macchine del futuro: IBM Torino è operativo oggi. Il passo successivo, secondo i ricercatori, è estendere il meccanismo a dispositivi con più qubit e circuiti più profondi.
I ricercatori milanesi hanno dimostrato che il rumore dei qubit può essere calibrato, non solo subito. Con 140 milioni di euro di investimento pubblico e hardware già operativo, la ricerca quantistica italiana avanza su basi concrete, in una corsa globale dove anche le architetture più note, come GPT-4.5 di OpenAI per ChatGPT Plus, puntano su una potenza computazionale sempre crescente.
Domande frequenti
Che cos'è l'algoritmo 'AI ad eco' sviluppato dalla Statale di Milano?
L'algoritmo 'AI ad eco' è un sistema di reservoir computing quantistico che trasforma il rumore dei qubit da ostacolo a risorsa computazionale, ispirandosi al funzionamento dei neuroni e alla memoria evanescente del cervello umano.
Come viene gestito il problema del rumore nei qubit con questo nuovo approccio?
I ricercatori aggiungono qubit ancilla e utilizzano rotazioni controllate per calibrare il decadimento della memoria, creando un filtro regolabile che mantiene solo le informazioni rilevanti delle sequenze temporali recenti.
Quali sono le principali applicazioni pratiche dell'algoritmo?
L'algoritmo è particolarmente adatto per l'analisi di dati sequenziali, come sequenze genomiche, serie finanziarie, previsione dei carichi di reti elettriche e modellazione meteorologica per digital twin della Terra.
Quali sono i limiti attuali dell'algoritmo e dell'hardware utilizzato?
I test hanno mostrato che le prestazioni dell'algoritmo si mantengono fino al benchmark NARMA-5; oltre questa soglia la capacità discriminativa cala, a causa dei limiti fisici dell'hardware quantistico attuale come il processore IBM Torino.
In che modo il PNRR ha contribuito a questo risultato di ricerca?
Il finanziamento di oltre 140 milioni di euro del PNRR ha permesso l'accesso all'hardware necessario e ha sostenuto i due anni di ricerca che hanno portato allo sviluppo e alla pubblicazione dell'algoritmo.
Qual è il prossimo passo per il team di ricerca della Statale di Milano?
Il prossimo obiettivo dei ricercatori è estendere il meccanismo dell'algoritmo a dispositivi con un numero maggiore di qubit e circuiti più profondi, per superare i limiti attuali e potenziare le capacità computazionali.
