Edoardo Marchesi I computer quantistici promettono di affrontare problemi fuori portata per le macchine classiche, ma il loro funzionamento resta spesso avvolto da termini criptici. Capire cosa siano qubitsuperposizione ed entanglement permette di distinguere l’innovazione reale dagli slogan. L’obiettivo è chiarire, con esempi concreti, come queste proprietà possano tradursi in vantaggi computazionali e dove i limiti siano ancora netti.
Oggi la tecnologia è nella fase NISQ (Noisy Intermediate-Scale Quantum): dispositivi con decine o centinaia di qubit, potenti ma fragili. In questo scenario emergono già applicazioni utili, soprattutto nella simulazione quantistica e nell’ottimizzazione. Allo stesso tempo, molte promesse richiedono correzione d’errore su larga scala, ancora lontana dall’uso quotidiano. Sapere cosa funziona davvero aiuta imprese, ricercatori e lettori a orientare aspettative e investimenti.
Qubit: dallo spin ai circuiti superconduttivi
Un qubit è l’unità di informazione quantistica. A differenza del bit classico, che vale 0 o 1, un qubit può trovarsi in una combinazione coerente di 0 e 1. Fisicamente può essere realizzato con lo spin di un elettrone, la polarizzazione di un fotone o un circuito superconduttivo a microonde. Un esempio intuitivo: una moneta lanciata che ruota non è ancora testa o croce; è in uno stato che conserva informazioni su entrambe le possibilità.
Finché non si misura, il qubit evolve secondo leggi ondulatorie; alla misura, il risultato diventa 0 o 1 con certe probabilità, legate allo stato preparato e agli operatori quantistici applicati.
Superposizione: calcolare molte strade in una
La superposizione consente a un registro di qubit di rappresentare simultaneamente molte configurazioni. L’esempio classico: con n qubit, si codificano in una volta sola 2^n stati. Attenzione: non significa ottenere gratis tutti i risultati; serve progettare algoritmi quantistici che amplificano le risposte corrette e cancellano le altre tramite interferenza. Pensiamo a scegliere la strada più rapida tra molte alternative: la superposizione esplora molte strade in parallelo, poi un’interferenza costruttiva aumenta la probabilità della scelta migliore. Alla fine si misura una sola uscita, ma con una distribuzione spinta verso la soluzione desiderata, riducendo il numero medio di tentativi.
Entanglement: correlazioni oltre l’intuizione
L’entanglement è una correlazione profonda tra qubit: lo stato dell’uno non è definibile senza l’altro, anche se fisicamente separati. Analogamente a due monete preparate in modo da dare sempre risultati opposti, ma con correlazioni più ricche e non spiegabili da variabili nascoste classiche. In computazione, l’entanglement è la “colla” che lega gli stati in superposizione, permettendo trasformazioni globali difficili da simulare. Esempi includono teleportazione di stato (trasferimento d’informazione quantistica tramite canali classici più un canale entangled) e reti che distribuiscono chiavi quantistiche. Negli algoritmi, qubit entangled consentono pattern d’interferenza che accelerano compiti specifici rispetto ai migliori metodi classici noti.
Cosa risolve oggi: casi d’uso concreti ma circoscritti
Nella fase NISQ i vantaggi emergono in tre aree. Primo, simulazione quantistica di materiali e molecole stimare energie di piccole molecole o frammenti di catalizzatori, studiando stati elettronici che i classici approssimano con fatica. Secondo, ottimizzazione e combinatorial search varianti di portfolio optimization routing o scheduling possono beneficiare di algoritmi ibridi (quantum + classico) e error mitigation offrendo soluzioni competitive o nuove euristiche. Terzo, generazione di numeri casuali e sampling dispositivi quantistici producono distribuzioni non banali utili per crittografia, simulazioni Monte Carlo ed esplorazione di paesaggi energetici. In tutti i casi, il valore nasce dall’integrazione con workflow classici e da una solida verifica statistica dei risultati.
Cosa non risolve: miti da smontare
Il quantum computing non è più veloce in tutto. Per molte operazioni aritmetiche e data processing su larga scala, le CPU/GPU restano più efficienti. L’algoritmo di Grover offre un’accelerazione quadratica, non esponenziale: cercare in un database non diventa istantaneo. La crittografia a chiave pubblica non è infranta oggi: l’algoritmo di Shor richiede milioni di qubit logici con correzione d’errore ben oltre i dispositivi attuali. Non esiste un vantaggio generico per ogni task di machine learning gli speed-up sono mirati e spesso richiedono dati compressi o feature quantizzate. Inoltre, vincoli ingegneristici come decoerenza rumore e criogenia limitano la profondità dei circuiti eseguibili.
Risorse per approfondire e sperimentare
Chi desidera entrare nel merito può combinare studio teorico ed esercizi pratici su piattaforme accessibili. L’ideale è alternare un textbook con notebook eseguibili, per consolidare intuizioni su qubitgate e misure. Le risorse seguenti coprono basi, programmazione e casi d’uso ibridi, senza richiedere esperienza avanzata in fisica: sono utili a studenti, sviluppatori e professionisti dei dati che puntano a prototipi concreti.
- Qiskit Textbook percorso didattico gratuito, dagli stati di base agli algoritmi con esempi in Python.
- IBM Quantum Composer sandbox visuale per costruire circuiti, misurare e vedere interferenze senza scrivere codice.
- Cirq e TensorFlow Quantum toolkit per circuiti parametrizzati e modelli ibridi ML+quantum.
- PennyLane libreria per variational circuits con interfacce PyTorch/JAX, utile per ottimizzazione e chimica.
- Azure Quantum e Amazon Braket accesso gestito a più hardware, utile per confrontare backend e workflow ibridi.