SoftBank e Quantinuum presentano una strada pratica per il calcolo quantistico commerciale

Un nuovo SoftBank e Quantinuum white paper, Quantum Computing Frontiers, tenta di rispondere a una delle domande più importanti e persistenti dell’industria: quando i computer quantistici diventeranno utili per lavori commercialmente rilevanti? Piuttosto che trattare il “vantaggio quantistico” come un singolo momento di svolta, lo studio di 65 pagine confronta carichi di lavoro specifici con generazioni successive di hardware di Quantinuum. La sua analisi si concentra su due aree già oggetto di ricerca da parte di SoftBank: la chimica quantistica per applicazioni di materiali ed energia, e l’analisi dei dati topologici per problemi basati su grafi come la rilevazione di frodi nelle telecomunicazioni. Il risultato è meno una previsione di quando il calcolo quantistico trasformerà improvvisamente l’industria e più una struttura a tappe che mostra come carichi di lavoro utili potrebbero espandersi man mano che la qualità dei qubit, la correzione degli errori e la scala del sistema migliorano.

Superare il conteggio dei qubit

Le roadmap del calcolo quantistico sono spesso presentate attraverso metriche hardware come qubit fisici, fedeltà dei gate o volume quantistico. Questi indicatori sono importanti, ma non dicono necessariamente a un produttore, a una società farmaceutica o a un operatore di telecomunicazioni cosa può fare la macchina.

SoftBank e Quantinuum adottano un approccio più centrato sull’applicazione. Il documento inizia con problemi industriali rappresentativi, stima i qubit logici, il numero di gate, la profondità del circuito e i tassi di errore richiesti per affrontarli, e poi confronta quelle richieste con le generazioni di hardware pianificate da Quantinuum.

La metodologia include la costruzione esplicita del circuito e, quando possibile, l’esecuzione su hardware esistente o emulatori. Ciò è inteso a ridurre il divario tra algoritmi teoricamente promettenti e programmi che possono essere implementati in condizioni realistiche.

L’argomento centrale del documento è che la capacità quantistica si svilupperà come una fascia in espansione. Piccole dimostrazioni diventano carichi di lavoro pilota, i piloti avanzano in calcoli pertinenti all’applicazione, e alcuni di quei calcoli diventano eventualmente servizi industriali integrati. L’utilità commerciale è quindi prevista arrivare in momenti diversi per problemi diversi, piuttosto che apparire ovunque una volta superata una certa soglia di qubit.

La chimica quantistica rimane un obiettivo di alto valore

La chimica quantistica è ampiamente considerata una delle applicazioni più naturali per il calcolo quantistico perché il comportamento molecolare è governato dalla meccanica quantistica. Man mano che i sistemi molecolari diventano più complessi, modellare con precisione le loro strutture elettroniche può diventare estremamente impegnativo per i computer classici.

Il white paper si concentra sugli stati eccitati e le reazioni fotochimiche. Questi fenomeni influenzano come le molecole assorbono la luce, cambiano forma, trasferiscono energia e si degradano nel tempo. Una migliore capacità di modellarli potrebbe sostenere la progettazione di materiali foto-reattivi, interruttori molecolari, tecnologie energetiche, finestre intelligenti, display di realtà aumentata, attrezzature di networking ottico e altri prodotti avanzati.

L’interruttore ottico fornisce l’esempio principale del documento. La sua efficacia dipende dalle transizioni elettroniche che determinano se l’energia assorbita produce il cambiamento molecolare desiderato o viene persa attraverso reazioni indesiderate. I metodi classici possono faticare quando diversi stati elettronici interagiscono strettamente o quando i ricercatori devono modellare ambienti chimici realistici.

I computer quantistici potrebbero eventualmente aiutare i ricercatori a simulare più di questo comportamento prima di sintetizzare materiali fisici. Invece di affidarsi così tanto al lavoro di prova e errore in laboratorio, le aziende potrebbero utilizzare simulazioni di alta qualità per selezionare molecole candidate, rifiutare progetti deboli prima e concentrare le risorse sui materiali più promettenti.

Questo è un obiettivo economicamente significativo, ma il documento non lo presenta come una capacità di produzione a breve termine. Le prime fasi coinvolgono dimostrazioni di proof-of-concept a piccola molecola, esperimenti di circuiti corretti per gli errori e simulazioni limitate. La modellazione chimicamente accurata di grandi sistemi rimane legata a hardware fault-tolerant molto più avanzato.

La correzione degli errori è ancora il vincolo definitivo

Il lavoro di chimica quantistica fornisce anche un utile controllo di realtà sullo stato della tecnologia.

Lo studio utilizza tecniche basate sulla stima della fase, compreso un metodo per misurare le differenze tra stati di energia molecolare. Incorpora il codice di correzione degli errori di Steane, che codifica un qubit logico su sette qubit fisici e si presta a esperimenti di tolleranza ai guasti iniziali.

Piuttosto che esaminare se la correzione degli errori migliora un singolo gate o estende la durata di vita di un qubit, i ricercatori valutano la correzione degli errori attraverso circuiti ispirati agli algoritmi. Questo è un test più impegnativo perché gli errori si accumulano man mano che il programma cresce in profondità e richiede più operazioni.

I risultati prodotti utilizzando gli ambienti H2 e Helios di Quantinuum indicano che la correzione degli errori può diventare benefica a profondità di circuito maggiori. Tuttavia, l’implementazione codificata non supera ancora un circuito logico idealizzato non codificato. Gli errori di memoria, il tempo di inattività, l’onere di codifica e il costo delle operazioni non-Clifford rimangono barriere importanti.

Questa distinzione è importante. La correzione degli errori ha dimostrato progressi a livello di componente, ma eseguire algoritmi lunghi e pertinenti all’applicazione con un vantaggio netto rimane difficile. Lo studio posiziona quindi gli esperimenti attuali come preparazione per il calcolo fault-tolerant piuttosto che come prova che la grande chimica quantistica sia già arrivata.

Dal sistema Helios a un sistema Lumos fault-tolerant

La roadmap segue quattro generazioni di hardware Quantinuum: Helios, Sol, Apollo e Lumos.

Helios rappresenta l’attuale fase. Per la chimica, il documento lo associa a esperimenti a livello fisico che coinvolgono circa 50 orbitali di spin, accanto a dimostrazioni logiche molto più piccole che coinvolgono circa 10 orbitali di spin. L’uso previsto è principalmente la validazione tecnica e le prove di concetto degli stati eccitati a piccola molecola.

Sol, previsto per il 2027, è presentato come una fase iniziale di scalabilità. La roadmap anticipa esperimenti fisici più grandi e una prima stabilizzazione logica, ma i carichi di lavoro di chimica logica rimangono piccoli. La rilevanza commerciale potenziale si concentra su applicazioni di stati eccitati limitate e guadagni di efficienza della ricerca per aziende farmaceutiche e di materiali.

Apollo, previsto per il 2029, segna una transizione più significativa. Sotto le ipotesi del documento, i calcoli logici potrebbero espandersi verso circa 100 orbitali di spin, sostenendo la modellazione dei materiali a media scala e calcoli di stati eccitati più significativi. Questa è la fase in cui la roadmap inizia a collegare la tecnologia con riduzioni quantificabili dei costi di ricerca e sviluppo.

Lumos, pianificato come un sistema fault-tolerant a larga scala per gli anni ’30, rappresenta la fase più ambiziosa. Il documento lo associa a oltre 100 orbitali di spin logici, accuratezza chimica e flussi di lavoro di scoperta dei materiali scalabili.

Questi punti di riferimento non sono impegni che specifiche applicazioni diventeranno disponibili commercialmente in quelle date. Gli autori descrivono la roadmap come un’enveloppe guidata dalle ipotesi soggetta a incertezze che coinvolgono tassi di errore fisici, onere di codifica logica, sintesi dei gate e prestazioni hardware realizzate.

La rilevazione delle frodi potrebbe offrire un percorso commerciale più breve

Il secondo dominio del documento, l’analisi dei dati topologici, potrebbe seguire un percorso più breve per l’uso commerciale.

L’analisi dei dati topologici studia la struttura o la “forma” di set di dati complessi. In ambienti basati su grafi, può identificare modelli che coinvolgono connettività, loop, cluster e relazioni di ordine superiore che possono essere difficili da rilevare attraverso statistiche convenzionali.

SoftBank e Quantinuum esaminano se queste tecniche potrebbero migliorare la rilevazione delle frodi nelle telecomunicazioni. Le chiamate, i messaggi, le relazioni tra account e i trasferimenti finanziari possono essere rappresentati come reti, con reti neurali basate su grafi utilizzate per identificare nodi o attività sospetti.

I truffatori, tuttavia, cercano deliberatamente di somigliare agli utenti ordinari. Possono distribuire l’attività tra account, utilizzare percorsi di trasferimento indiretti o dividere la raccolta, il relay e le funzioni di pagamento tra più partecipanti. Queste tattiche possono eludere i sistemi che si concentrano principalmente su indicatori locali come il numero di connessioni associate a un account.

I ricercatori integrano una rete neurale basata su grafi con funzionalità note come momenti di Laplace. Queste funzionalità sono progettate per catturare informazioni strutturali tra statistiche locali puramente e misurazioni topologiche globali altamente globali. Su un benchmark di frode nelle telecomunicazioni, l’aggiunta di momenti di Laplace ha prodotto miglioramenti modesti nel recall, nel punteggio F1 e in altre metriche di classificazione. Il miglioramento del recall è stato statisticamente significativo in tutti i test del documento.

Il documento traduce quel miglioramento in uno scenario economico illustrativo. Cita stime di perdite di frode nelle telecomunicazioni globali di 38,95 miliardi di dollari nel 2023 e valuta un subset di 10 miliardi di dollari di quella perdita. A una precisione fissa del 9%, il miglioramento del recall misurato corrisponderebbe a circa 220 milioni di dollari di perdite annuali potenzialmente ridotte.

Quella cifra non dovrebbe essere interpretata come una previsione. Si suppone che i miglioramenti del modello osservati su un set di dati di benchmark si traducano proporzionalmente in perdite reali evitate. La distribuzione operativa coinvolgerebbe anche la qualità dei dati, l’integrazione, i falsi positivi, le tattiche di frode in evoluzione e i processi di indagine umana.

È più importante che l’esperimento non abbia dimostrato il vantaggio quantistico. Il set di dati era sufficientemente scarso per le funzionalità rilevanti da essere calcolate classicamente e conteneva troppoca struttura di ordine superiore per testare le forme più impegnative di tale tecnica.

Il risultato è comunque rilevante perché lo stesso approccio analitico potrebbe essere utile oggi utilizzando il calcolo ad alte prestazioni classico, mentre si estende verso l’esecuzione quantistica se le dimensioni dei grafi o la complessità strutturale future superano i limiti classici.

Una roadmap per l’infrastruttura ibrida quantistica e di intelligenza artificiale

SoftBank e Quantinuum collocano entrambe le aree di applicazione all’interno di una visione più ampia di “centri dati quantistici di intelligenza artificiale”. In questo modello, le unità di elaborazione quantistica non sostituiranno le unità di elaborazione grafica, le unità centrali di elaborazione o i supercomputer. Opereranno come acceleratori specializzati all’interno di un’infrastruttura ibrida.

I sistemi classici continueranno a gestire la preparazione dei dati, l’apprendimento automatico, l’orchestrazione e l’elaborazione post-processing. I processori quantistici saranno assegnati a parti di workflow selezionate con cura in cui gli algoritmi quantistici forniscono un beneficio computazionale significativo.

Per la rilevazione delle frodi, ciò potrebbe coinvolgere un processore quantistico che genera funzionalità strutturali difficili prima che quelle funzionalità vengano passate a una rete neurale basata su grafi in esecuzione su infrastrutture di intelligenza artificiale convenzionali. Nella ricerca dei materiali, un computer quantistico potrebbe eseguire calcoli di strutture elettroniche selezionate mentre i sistemi di calcolo ad alte prestazioni classici gestiscono la simulazione e la pipeline di ottimizzazione più ampia.

Questa architettura ibrida è anche più realistica commercialmente rispetto all’aspettativa che le aziende sostituiscano ambienti di calcolo stabiliti. Consente alle organizzazioni di integrare gradualmente le capacità quantistiche attraverso servizi cloud, acceleratori di data center e workflow specifici per le applicazioni.

SoftBank e Quantinuum stanno conducendo ricerche su potenziali modelli di business per il calcolo quantistico dal 2025, quando hanno annunciato la loro partnership. Il white paper è destinato a informare quel lavoro, compresa la possibile sviluppo di futura infrastruttura e servizi di intelligenza artificiale quantistica.

Le aziende non devono aspettare Lumos

Una delle conclusioni più pratiche del documento è che le aziende non dovrebbero aspettare un sistema completamente fault-tolerant prima di iniziare la ricerca sulle applicazioni.

La costruzione di un flusso di lavoro quantistico commercialmente utile richiede più dell’accesso all’hardware. Le organizzazioni necessitano di set di dati appropriati, di competenze nel settore, di problemi di benchmark, di baseline classiche, di algoritmi specializzati e di integrazione con sistemi di intelligenza artificiale e calcolo ad alte prestazioni esistenti. Sviluppare quelle capacità può richiedere anni.

La sperimentazione a breve termine può quindi creare valore anche quando l’hardware quantistico non supera ancora le alternative classiche. Le aziende possono identificare quali problemi interni sono appropriati, calcolare i requisiti delle risorse, sviluppare flussi di lavoro ibridi e stabilire misurazioni che determineranno eventualmente se l’esecuzione quantistica fornisce un vantaggio.

L’esempio di rilevamento delle frodi illustra particolarmente bene questa strategia. SoftBank può esplorare funzionalità di grafo migliorate attraverso il calcolo classico oggi, mentre studia contemporaneamente se versioni di ordine superiore di quelle funzionalità potrebbero diventare candidate per la futura accelerazione quantistica.

Per i leader aziendali, questo approccio sostituisce l’istruzione vaga di “essere pronti per il quantistico” con una domanda più utile: quali carichi di lavoro potrebbero trarre beneficio, quale hardware sarebbero richiesti e quale preparazione può iniziare prima che quell’hardware arrivi?

Infine, il white paper di SoftBank e Quantinuum è più prezioso non perché afferma di conoscere la data esatta del vantaggio quantistico commerciale, ma perché si rifiuta di trattare quel vantaggio come un singolo evento. Collegando carichi di lavoro concreti a Helios, Sol, Apollo e Lumos, il white paper presenta l’adozione quantistica come un processo graduale di validazione tecnica, sviluppo del flusso di lavoro e rilevanza economica in espansione. I suoi tempi di attuazione rimangono incerti, ma la sua struttura basata sulle applicazioni offre un modo più credibile per le organizzazioni di decidere quando, dove e perché il calcolo quantistico potrebbe diventare utile.