Il calcolo quantistico ha il potenziale per sconvolgere quasi tutti i settori, con un aumento esponenziale delle prestazioni rispetto all’informatica classica. L’interesse per l’informatica quantistica deriva dalla notevole quantitĆ di potenziale di calcolo contenuto nei bit quantistici (qubit), che sono estremamente difficili da gestire, sia in termini di quantitĆ che di qualitĆ . OTI Lumionics sta implementando metodi quantistici per migliorare la sua piattaforma di scoperta dei materiali, che applica simulazioni di calcolo ad alte prestazioni (HPC) all’avanguardia insieme ad algoritmi di apprendimento automatico (ML) per progettare materiali avanzati pronti per la produzione senza un laboratorio umido. La piattaforma consente simulazioni piĆ¹ rapide dei materiali, previsioni piĆ¹ accurate delle proprietĆ , mappatura degli stati eccitati e modellazione delle reazioni chimiche. Nell’ultimo anno, OTI ha dimostrato la sua capacitĆ di simulare problemi dimensionali di rilevanza commerciale, come i complessi metallici che emettono luce utilizzati nei display OLED, utilizzando metodi quantistici. In un’intervista rilasciata a EEWeb, Michael Helander, CEO di OTI, ha dichiarato che gli ultimi risultati di OTI dimostrano che i metodi quantistici possono superare le capacitĆ delle simulazioni tradizionali quando vengono eseguiti sia su hardware quantistico che su sistemi ispirati ai quanti. OTI sta ora lavorando per inserire questi algoritmi in uno strumento di chimica computazionale quantistica di uso generale. Inoltre, Microsoft ha recentemente presentato il servizio Azure Quantum, progettato per fornire ai primi utenti un percorso scalabile verso l’informatica quantistica, mentre altre aziende entrano nel mercato emergente del software per l’informatica quantistica. Attualmente OTI esegue i suoi algoritmi quantistici su sistemi Microsoft e D-Wave.
Tecnologia quantistica
“Il principio della scoperta dei materiali ĆØ spiegato nel nome: ĆØ la scoperta”, ha detto Helander. L’obiettivo principale della piattaforma OTI ĆØ quello di eseguire simulazioni e algoritmi di ML creando mappe di probabilitĆ statistica, che mostrano quali proprietĆ puĆ² avere il materiale candidato e quali problemi puĆ² incontrare. “Questo permette ai nostri scienziati e ingegneri di prendere decisioni informate su quali materiali sintetizzare e distribuire nei test di produzione”, ha detto Helander. Per lo studio delle proprietĆ di materiali come gli OLED, una moltitudine di equazioni, come quella di Schrodinger, implica l’uso di notevoli calcoli. La maggior parte delle fasi di queste simulazioni prevede il calcolo degli integrali degli elettroni, l’inversione di matrici e l’ottimizzazione dei coefficienti. I risultati di queste simulazioni permettono di definire le proprietĆ optoelettroniche dei materiali prima della sintesi, aiutando cosƬ l’azienda a risparmiare sui costi. Helander ha sottolineato il fatto che l’approccio ML supporta combinazioni ben definite, come l’uso di reti neurali profonde, giĆ utilizzate per il riconoscimento facciale. “I nostri algoritmi mappano le informazioni molecolari per definire i materiali candidati e determinare come organizzare al meglio i nostri esperimenti per massimizzare il successo nella ricerca di un materiale”, ha detto Helander. “Abbiamo trascorso molto tempo a lavorare con i principali fornitori di hardware per identificare il processo migliore. Alcuni di essi sono Fujitsu e D-Wave”, ha detto Helander. E ha aggiunto: “L’hardware deve essere di scala matura e a basso tasso di errore. Al momento, l’unico vero hardware quantistico che possiamo utilizzare per questi problemi su larga scala ĆØ la macchina D-Wave. C’ĆØ molta eccitazione e altri hardware costruiti da IBM, Google, Honeywell computing, tutti hanno un grande potenziale. Ma mancano ancora molti, molti anni prima di avere cubi e un tasso di errore abbastanza basso da essere utile per la maggior parte delle persone. Fino a quando non avremo realizzato quel sistema, avremo bisogno di migliaia di cubiti o decine di migliaia di cubiti in un normale tipo di gate, in pratica un hardware di calcolo quantistico per renderlo cliccabile”.
Conclusione
L’uso di algoritmi quantistici nelle tecniche di intelligenza artificiale aumenterĆ le capacitĆ di apprendimento delle macchine. “Penso che la sfida per l’informatica quantistica nel suo complesso sia quella di definire uno standard, essendo un paradosso totalmente nuovo per l’informatica come ricerca. Se guardiamo all’informatica classica, sappiamo di avere aziende come AMD e Intel che sono molto mature, come Microsoft che si occupa del sistema operativo. Per la quantistica, non ĆØ chiaro quale sarĆ l’offerta e che tipo di linguaggio di programmazione useremo, il che rende difficile per chiunque scommettere su chi sarĆ il vincitore. Pensiamo che, col tempo, ci sarĆ sicuramente bisogno di un consolidamento del settore e di una sorta di integrazione piĆ¹ stretta tra hardware e software. Ma al momento ĆØ un po’ troppo per il settore nel suo complesso”, ha dichiarato Helander. Il coinvolgimento di nomi di aziende come IBM, Google o Amazon non solo aggiunge credibilitĆ all’informatica quantistica, ma ne diffonde anche la fama. Con queste aziende coinvolte in questo mercato, ĆØ facile portare i computer quantistici sulle home page di testate giornalistiche che normalmente non si occupano di fisica avanzata o di supercalcolo.
