Quando l’AI entra nel quantum
È qui che compare l’intelligenza artificiale. Non come coscienza del computer quantistico e neppure come sostituto magico del fisico, ma come strumento capace di affrontare una quantità di variabili, configurazioni e dati che può diventare estremamente difficile gestire manualmente. La questione non appartiene soltanto al futuro. Una review pubblicata su Nature Communications raccoglie applicazioni dell’AI distribuite lungo quasi l’intero ciclo di sviluppo e funzionamento del calcolo quantistico: progettazione dei dispositivi, preprocessing, calibrazione, controllo e ottimizzazione, correzione degli errori, sviluppo degli algoritmi e interpretazione dei risultati. Gli autori arrivano a osservare che molte delle difficoltà di scalabilità dei computer quantistici potrebbero dipendere in misura crescente proprio dai progressi dell’intelligenza artificiale.
La fragilità dei qubit
Il motivo è pratico. I qubit sono fragili, l’hardware presenta rumore e irregolarità, le condizioni operative devono essere continuamente caratterizzate e corrette. La calibrazione di un dispositivo può richiedere lavoro specialistico e iterazioni continue; i sistemi di correzione degli errori devono interpretare rapidamente informazioni incomplete per stabilire quali errori siano probabilmente avvenuti; le architetture future dovranno coordinare processori quantistici e classici senza creare nuovi colli di bottiglia. La stessa review descrive esperimenti nei quali agenti basati su modelli linguistici e sistemi di machine learning vengono impiegati nella calibrazione e nel controllo, pur sottolineandone i limiti attuali e la persistente necessità dell’intervento umano.
Correggere gli errori in tempo reale
La correzione degli errori mostra bene la dimensione del problema. Un computer quantistico fault-tolerant non può limitarsi ad avere molti qubit: deve proteggere continuamente l’informazione quantistica dagli errori. Un lavoro pubblicato su Nature ha mostrato un decoder neurale basato su architettura transformer capace di apprendere a interpretare gli errori di un surface code. Un altro studio fondamentale del gruppo Google Quantum AI ha dimostrato sul processore Willow memorie logiche operanti al di sotto della soglia necessaria perché, aumentando la distanza del codice, l’errore logico diminuisca invece di crescere. Questo esperimento integrava un decoder in tempo reale e mostrava quanto il processore classico incaricato di interpretare gli errori debba lavorare rapidamente affinché il sistema quantistico possa continuare a funzionare.
Cercare dove l’uomo non riesce a cercare
IBM ha mostrato un altro tipo di collaborazione: un framework evolutivo guidato da un modello linguistico ha esplorato migliaia di configurazioni e individuato 465 candidati distinti a codici di correzione degli errori quantistici. Non significa che l’AI abbia risolto il problema della fault tolerance e neppure che quei candidati siano automaticamente utilizzabili; devono essere studiati, validati e confrontati. Dimostra però qualcosa di più concreto e meno spettacolare: l’intelligenza artificiale può diventare uno strumento per esplorare spazi progettuali che crescono troppo rapidamente perché la ricerca manuale sia efficiente.
Una seconda macchina per governare la prima
A questo punto emerge un paradosso interessante. L’essere umano costruisce il computer quantistico. Poi scopre che la complessità necessaria per farlo crescere può rendere utile una seconda macchina, l’intelligenza artificiale, incaricata di aiutarlo a progettare, calibrare, correggere e governare la prima.
Fonti e riferimenti
Artificial intelligence for quantum computing, Nature Communications. Perché è qui: raccoglie l’uso dell’AI lungo progettazione, calibrazione, controllo, correzione degli errori e post-processing dei sistemi quantistici, mostrando che questa convergenza è già un campo concreto di ricerca.
Learning high-accuracy error decoding for quantum processors, Nature. Perché è qui: presenta un decoder neurale basato su transformer per interpretare gli errori nei surface code.
Quantum error correction below the surface code threshold, Nature. Perché è qui: documenta memorie logiche sotto soglia sul processore Willow e include decoding in tempo reale, un passaggio rilevante verso sistemi più grandi e affidabili.
IBM Research, Can LLMs discover quantum error correction codes?. Perché è qui: mostra un framework guidato da LLM che ha esplorato migliaia di configurazioni e individuato 465 candidati a codici di correzione degli errori, da verificare e validare.