Processi di calcolo che richiedono anni possono essere realizzati dai computer quantistici in poche ore o minuti. Questo perché un processore quantistico non funziona secondo le leggi classiche della fisica o dell'informatica, ma sulla base della meccanica quantistica.
Il mondo dei quanti ha esercitato un fascino ininterrotto dalla sua scoperta all'inizio del XX secolo. I fenomeni quantistici sfuggono all'intuizione umana e alla facoltà umana di percezione. Eppure essi e le tecnologie basate su di essi costituiscono il fondamento degli sviluppi high-tech degli ultimi decenni. Eppure Richard Feynman ha proposto per la prima volta l'idea di utilizzare i fenomeni della meccanica quantistica specificamente per risolvere problemi matematici all'inizio degli anni '80. Sono passati quattro decenni da allora. Solo oggi siamo in una fase di sviluppo in cui il cosiddetto quantum computing può essere usato per risolvere problemi concreti nelle aziende.
Meglio attraverso i fenomeni quantistici?
L'affermazione che il quantum computing è superiore ai metodi classici si basa sul fenomeno della sovrapposizione. Cioè, un oggetto meccanico quantistico può essere in due stati diversi allo stesso tempo. Mentre i computer classici elaborano tutte le informazioni con l'aiuto di due soli stati - 1 o 0 - sotto forma di cosiddetti bit, un computer quantistico calcola con i cosiddetti qubit. Qui, 0 e 1 sono sovrapposti e il qubit può quindi assumere qualsiasi combinazione di due stati simultaneamente.
Questo si dimostra un vantaggio decisivo nei problemi di ottimizzazione, per esempio. Un problema di ottimizzazione si riferisce a una sfida per la cui soluzione si devono provare innumerevoli possibilità di parametri per trovare la loro combinazione ottimale. Un computer classico con n bit lavora attraverso i problemi uno dopo l'altro e si trova esattamente in uno dei 2n stati in qualsiasi momento. Un computer quantistico con n qubit, invece, è in 2n stati allo stesso tempo. Questa proprietà è la base della tanto decantata "supremazia quantistica": Problemi che prima erano troppo complessi ora possono essere risolti in un tempo ragionevole.
Le prime aziende - tra le altre nei settori della finanza, della logistica e della produzione - hanno già realizzato dei piloti di successo. Inoltre, progetti di ricerca come quello della Universities Space Research Association (USRA), a cui partecipa anche Reply insieme a Google e alla NASA, sono dedicati alle possibilità di applicazione pratica del D-Wave Quantum Annealer, un hardware quantistico progettato per compiti di ottimizzazione.
Quantum computing per la logistica: ottimizzazione delle consegne e del personale
Secondo l'esperienza di Reply, i campi che sono adatti all'ottimizzazione con un algoritmo quantistico sono la consegna delle merci e la gestione del personale. Per trovare i percorsi ottimali per le consegne di merci, si devono includere molte variabili. Questo rende lo scenario un processo complesso - proprio come la pianificazione dell'impiego dei lavoratori.
Per entrambi i problemi di ottimizzazione, l'uso di un algoritmo quantistico porta a risultati in pratica molto superiori a quelli delle tecniche convenzionali. Questo perché le soluzioni quantistiche permettono ai responsabili di affinare continuamente i modelli, migliorare l'applicabilità reale e la qualità delle soluzioni o aggiungere nuove condizioni quadro - come finestre di consegna più strette - senza influenzare significativamente i tempi di calcolo. In questo modo, è possibile ottimizzare gli indicatori di performance chiave in termini di distanza del percorso e di produttività.
Quantum computing per il traffico ferroviario
Per una stazione ferroviaria che gestisce l'elaborazione di 300 treni su 20 linee in un lasso di tempo di un'ora, il funzionamento regolare è fondamentale. Anche qui, la tecnologia quantistica ha già dato prova di sé nella pratica: Per scoprire il numero massimo di treni in orario e aumentare i possibili movimenti dei treni, la soluzione di quantum computing determina il miglior binario di arrivo per collegamenti ottimali dei passeggeri e aiuta a gestire meglio la manutenzione e il movimento dei treni.
Quantum computing per le telecomunicazioni: LTE
Con una copertura potente e completa della telefonia mobile - un obiettivo su cui si sta lavorando molto in Germania - una sfida chiave è pianificare le celle radio in modo che coprano in modo ottimale una data area. Nei test, un algoritmo quantistico per la pianificazione dei parametri di rete ha mostrato un'ottimizzazione del processo dieci volte più veloce di quella offerta dai metodi convenzionali. Alla fine, questo significa una pianificazione più efficace dell'infrastruttura di rete per gli operatori di telecomunicazione e una migliore esperienza del cliente attraverso una disponibilità ottimale della rete.
Quantum computing per l'ottimizzazione finanziaria
Inoltre, nella creazione di uno strumento basato sulla simulazione per ottimizzare i costi di detenzione delle garanzie nel trading over-the-counter (OTC) di derivati, un progetto ha dimostrato che un algoritmo quantistico è in grado di prendere meglio in considerazione le non linearità del modello.
Un'altra possibile applicazione che è già stata testata con successo è nell'ottimizzazione del portafoglio per minimizzare il rischio di investimento. Questo viene fatto determinando prima un insieme di attività con una correlazione minima. Tale analisi delle correlazioni tra le attività a sua volta pone le basi per un modello non lineare. Questo permette ad un algoritmo quantistico di trovare l'allocazione ottimale del portafoglio.
Quantum computing: guardando al futuro
Quantum computing può fare molto di più dell'ottimizzazione combinatoria. Il suo uso in aree come l'apprendimento automatico e la sicurezza quantistica è promettente: tra gli scenari di applicazione più interessanti ci sono le reti neurali quantistiche e gli internetwork quantistici. Il potenziale dell'informatica quantistica supera di gran lunga le possibilità attuali. Non significa solo soluzioni più veloci ai problemi di ottimizzazione. Allo stesso tempo, rappresenta una minaccia per le tecnologie di crittografia di oggi. Per contrastare questo e proteggere le transazioni commerciali e i trasferimenti di dati, Quantum Cybersecurity si dedica allo sviluppo di sofisticati metodi crittografici. Questi includono la distribuzione di chiavi quantistiche, algoritmi di sicurezza quantistica e generatori di numeri casuali quantistici.
Inoltre, Quantum Machine Learning (QML) si concentra sull'applicazione della superiore potenza di calcolo del calcolo quantistico al campo dell'apprendimento automatico e dell'intelligenza artificiale. Questa disciplina è attualmente ancora in una fase iniziale, ma apre un orizzonte applicativo completamente nuovo in prospettiva. Nuove intuizioni per combinare il Machine Learning con il potenziale di risultati più veloci migliorando la precisione dei calcoli quantistici mostrano nuove promettenti possibilità.
*Johannes Oberreuter, Data Scientist presso Machine Learning Reply e Marco Magagnini, Partner presso Data Reply; entrambi a capo del Quantum Computing Innovation Group presso Reply
.