A cura di Giovanni Masi
Dalla teoria subatomica ai processori nel cloud e perché la fault tolerance è la vera soglia
Nel giro di pochissimi anni siamo passati dall’euforia per l’intelligenza artificiale generativa a una fase più sobria fatta di regolamentazione, rischi sociali evidenti, limiti tecnici e domande scomode su affidabilità e governance. Mentre il dibattito sull’AI entra in questa fase più adulta, all’orizzonte si profila un nuovo cambio di paradigma, forse ancora più profondo: il calcolo quantistico sta uscendo dalla stagione delle dimostrazioni da laboratorio e sta diventando una risorsa accessibile anche da un normale PC tramite i servizi cloud.
La differenza rispetto alla narrativa di qualche anno fa è che non si parla più solo di “aggiungere qubit” ma di mettere in fila tutti i mattoni necessari per arrivare a macchine fault tolerant su scala industriale. Le principali aziende del settore hanno pubblicato roadmap in cui il vero traguardo non è il numero grezzo di qubit fisici, ma la capacità di disporre di qubit logici affidabili e di sostenere circuiti lunghi con tassi d’errore controllati. L’orizzonte temporale, nella maggior parte dei casi, è la fine di questo decennio (per esempio IBM indica il 2029 come obiettivo per un sistema fault tolerant su larga scala, con metriche espresse in qubit logici e in un “budget” di operazioni affidabili).
È una lezione imparata direttamente dall’AI: se vuoi evitare promesse gonfiate devi spiegare con chiarezza che cosa la tecnologia può fare oggi, che cosa non può ancora fare e soprattutto a quali condizioni diventa davvero affidabile.
Dal laboratorio al data center: che cosa è cambiato davvero
Per anni il quantum computing è stato presentato come una promessa lontana, confinata a prototipi instabili chiusi in laboratori criogenici. Oggi il cambio di passo è concreto soprattutto sul piano dell’accesso e dell’ecosistema e riguarda tre aspetti intrecciati tra loro.
Il primo è l’accesso. Non serve possedere un criostato né una clean room: sviluppatori e ricercatori possono scrivere codice in locale con pratiche simili a quelle del software classico e poi eseguire i loro circuiti su backend quantistici remoti tramite il cloud. Questo modello di “Quantum Computing as a Service” ha ampliato enormemente la platea di utenti e ha reso più rapida la sperimentazione perché un team distribuito nel mondo può condividere lo stesso processore quantistico come risorsa comune senza che questo implichi che le applicazioni siano già “pronte per la produzione” su hardware rumoroso.
Il secondo riguarda lo stack di controllo e l’ingegneria di sistema. Il protagonista non è più il singolo qubit “eroico” dimostrato in laboratorio, ma l’intero ecosistema: elettronica di controllo, firmware, procedure di calibrazione automatica, compilatori che trasformano il codice in sequenze di gate (operazioni elementari che manipolano lo stato dei qubit), mappatura dei circuiti sui vincoli di connettività fisica e tecniche di mitigazione degli errori. A questo livello il computer quantistico assomiglia molto a un data center: una collezione di sottosistemi diversi che devono funzionare in modo coordinato perché l’utente veda solo un’API.
Il terzo elemento è la fault tolerance. La correzione d’errore quantistica non è più soltanto un tema accademico ma un requisito esplicito di progetto. Le roadmap più serie misurano i progressi in termini di qubit logici e di numero di operazioni eseguibili in modo affidabile prima che il rumore distrugga l’informazione. È questo parametro, più del numero di qubit fisici, a determinare se ha senso parlare di algoritmi utili su scala industriale.
L’ABC del quantistico senza magia
Per capire che cosa rende diverso il calcolo quantistico conviene partire dal confronto più semplice. Un bit classico può assumere il valore 0 oppure 1. Un qubit invece è uno stato fisico che, fino al momento della misura, può essere descritto come una combinazione di 0 e 1. È qui che nasce il primo equivoco da smontare: non è “parallelismo infinito” in cui il computer prova tutte le soluzioni contemporaneamente e restituisce quella giusta come per magia.
Il vantaggio potenziale arriva dal modo in cui gli algoritmi quantistici orchestrano ampiezze e fasi degli stati. L’evoluzione del sistema è una sequenza di trasformazioni unitarie che creano interferenza tra le diverse possibilità, amplificando gli esiti corretti e cancellando quelli indesiderati. Alla fine però si misura e si ottiene un risultato classico quindi l’algoritmo deve essere progettato in modo che l’esito desiderato abbia una probabilità molto alta così da emergere con poche esecuzioni ripetute.
Due concetti completano il quadro. La sovrapposizione indica che lo stato del qubit non è “0 e 1 insieme” nel senso ingenuo, ma una descrizione matematica che associa ampiezze complesse ai possibili esiti misurabili. L’entanglement descrive invece situazioni in cui più qubit sono correlati in modo così stretto che lo stato complessivo non si può decomporre in stati indipendenti dei singoli qubit. È una risorsa chiave per molti algoritmi e per diversi protocolli di crittografia quantistica in particolare nella distribuzione di chiavi (QKD), ma è anche estremamente fragile rispetto al rumore.
Se serve un’immagine mentale, la sfera di Bloch è un modello intuitivo: i poli rappresentano 0 e 1 e tutti gli altri punti rappresentano stati di sovrapposizione. La misura “proietta” lo stato in un esito classico con probabilità determinate dallo stato iniziale e dalla base di misura scelta. Nella base computazionale l’esito è 0 oppure 1.
Misura, collasso e casualità “vera”
Nell’informatica classica leggere il contenuto di un registro è un’operazione neutra. Nel mondo quantistico la misura cambia lo stato del sistema producendo uno stato post-misura coerente con l’esito osservato. Questo dettaglio, apparentemente tecnico, diventa una regola di progettazione: i circuiti devono concentrare l’informazione utile negli ultimi stadi dell’elaborazione così da ridurre il numero di misure durante il calcolo.
Detto in modo pratico, misurare troppo presto spesso significa perdere l’informazione che stavi ancora costruendo. Esistono però anche misure intermedie usate in contesti specifici, soprattutto nella correzione d’errore e nei circuiti dinamici, dove la misura serve a “guidare” l’esecuzione senza distruggere l’obiettivo del calcolo.
C’è anche una conseguenza positiva. Il fatto che il risultato della misura sia intrinsecamente probabilistico permette di generare numeri casuali basati su fenomeni fisici quantistici. Generatori quantistici di numeri casuali sono già oggi prodotti commerciali e trovano applicazioni in crittografia e in tutti i contesti in cui servono sorgenti di entropia robuste tenendo presente che “quanto” siano robusti dipende anche dal modello di fiducia nel dispositivo e dalle verifiche adottate.
Come si programma davvero: circuiti, vincoli fisici e compilazione
Un programma quantistico reale raramente è “tutto quantistico”. Nella pratica si tratta quasi sempre di un workflow ibrido: una parte classica prepara dati o parametri, il circuito quantistico esegue una trasformazione tramite una sequenza di gate, la misura produce bit classici e una porzione di codice convenzionale aggiorna i parametri o decide se ripetere il circuito.
In questo schema entrano in gioco vincoli fisici che fanno la differenza. Su molte architetture non tutti i qubit possono interagire direttamente: esiste un grafo di connettività e se due qubit sono lontani bisogna inserire operazioni aggiuntive per “spostare” l’informazione (per esempio tramite sequenze equivalenti a scambi tra qubit). Il risultato sono circuiti più lunghi quindi più esposti al rumore. La connettività non è un dettaglio di layout, ma parte della complessità reale del calcolo.
Un secondo vincolo è l’equilibrio tra tempi di coerenza e velocità dei gate. In modo semplificato si desiderano gate veloci per ridurre il tempo totale di esecuzione quindi l’effetto del rumore, ma gate più rapidi possono essere più difficili da controllare con alta fedeltà. L’ingegneria dei qubit è anche un lavoro di ottimizzazione tra durata della coerenza, qualità dei gate e stabilità dell’elettronica di controllo.
Infine c’è il tema della calibrazione. Molti dispositivi richiedono procedure frequenti perché deriva termico, vibrazioni e minuscole variazioni nei segnali di controllo modificano nel tempo il comportamento effettivo dei qubit. Una parte importante dell’esperienza “cloud” consiste proprio nel nascondere questa complessità all’utente finale garantendo che il backend sia in uno stato noto e caratterizzato quando si esegue un job.
Hardware oggi: non esiste un solo “computer quantistico”
Dire “computer quantistico” significa in realtà riferirsi a famiglie tecnologiche diverse. I processori superconduttivi, oggi tra i più diffusi, offrono gate rapidi e una buona integrazione con l’elettronica criogenica, ma richiedono infrastrutture complesse per mantenere temperature prossime allo zero assoluto e sono sensibili a molte fonti di rumore. Gli ioni intrappolati, al contrario, sono spesso apprezzati per l’alta fedeltà delle operazioni, ma devono fare i conti con velocità inferiori e con sfide di scalabilità ingegneristica.
Accanto a questi approcci maturi stanno crescendo architetture basate su atomi neutri e sulla fotonica che promettono buona scalabilità e interconnessioni più flessibili, ma sono ancora in fase di consolidamento industriale. A questo panorama si aggiungono i sistemi di annealing quantistico specializzati in alcuni problemi di ottimizzazione che seguono un percorso parallelo e distinto rispetto ai processori gate-based universali.
Sopra a chi produce hardware si è sviluppato uno strato di fornitori di infrastruttura e toolchain spesso coincidenti con i grandi player del cloud che offrono accesso via internet a diversi tipi di processore, simulatori ad alte prestazioni e librerie software. È il tessuto su cui sta nascendo l’ecosistema del quantum computing applicato.
Dal NISQ alla fault tolerance: il vero salto di categoria
La maggior parte dei dispositivi accessibili oggi rientra nella categoria NISQ, la stagione del “Noisy Intermediate-Scale Quantum”. Si tratta di macchine con decine o centinaia di qubit fisici abbastanza grandi per esplorare algoritmi non banali ma ancora troppo rumorose per eseguire in modo affidabile circuiti molto profondi con correzione d’errore completa.
L’idea della correzione d’errore quantistica è trasformare un insieme di qubit fisici instabili in un qubit logico più robusto codificando l’informazione in modo ridondante e misurando costantemente qubit ancilla per identificare e correggere gli errori. La conseguenza è inevitabile: servono molti qubit fisici per ogni qubit logico e serve anche una capacità di decodifica in tempo reale che richiede potenza di calcolo classica e una progettazione accurata del software di controllo.
Per questo la fault tolerance non va vista come un semplice “upgrade” della macchina esistente, ma come una revisione dell’architettura in cui hardware, firmware e software sono pensati fin dall’inizio per supportare codici di correzione efficienti. Quando una roadmap dichiara l’obiettivo di raggiungere un certo numero di qubit logici e un certo budget di operazioni affidabili, sta indicando il passaggio a una nuova classe di dispositivi in cui diventa sensato parlare di algoritmi realmente impegnativi, dalla chimica computazionale avanzata all’ottimizzazione su larga scala a patto di mantenere tassi d’errore compatibili con circuiti lunghi e con la decodifica in tempo reale.
Dal laptop al processore quantistico: come si usa in pratica
Dal punto di vista dell’utente, il percorso è sorprendentemente familiare. Si scrive il circuito o si definisce un algoritmo ibrido usando una libreria software, spesso nello stesso linguaggio con cui si sviluppa AI o data science. Il compilatore lo trasforma in un circuito compatibile con un backend specifico, il sistema esegue la mappatura sui qubit fisici rispettando connettività e vincoli tecnologici quindi il job viene lanciato e ripetuto molte volte per raccogliere statistiche. Alla fine si ricevono risultati classici che vengono elaborati localmente esattamente come l’output di un cluster HPC.
In mezzo, però, c’è una complessità notevole fatta di scheduling delle risorse, code di esecuzione, mitigazione degli errori, calibrazioni periodiche e scelta automatica tra hardware reale e simulatore ad alte prestazioni. Il modello operativo è vicino a quello del calcolo ad alte prestazioni tradizionale: l’utente vede un’interfaccia unificata, ma dietro si muove un impianto industriale eterogeneo.
Applicazioni: dove ha senso essere concreti oggi
Anche sul fronte applicativo il parallelismo con l’AI è evidente. È importante distinguere con sincerità ciò che è già utile, o quasi, da ciò che resta soprattutto promettente e che oggi vive prevalentemente in ricerca applicata, prototipi e prove comparative con i metodi classici.
Un primo ambito è la chimica quantistica e la scienza dei materiali. La simulazione accurata di molecole e materiali è un problema intrinsecamente quantistico che cresce rapidamente in complessità all’aumentare delle dimensioni del sistema. In linea di principio un processore quantistico può rappresentare stati che diventano proibitivi per i metodi classici. Esistono già dimostrazioni su molecole di piccole dimensioni che anticipano possibili applicazioni in ambiti come farmaci e batterie, pur restando lontane da una routine industriale.
Un secondo filone riguarda l’ottimizzazione e la ricerca in spazi combinatori, dalla logistica alla finanza. Qui si sperimentano algoritmi ibridi con circuiti parametrizzati e loop classici che cercano buone soluzioni a problemi difficili. È un terreno fecondo per la ricerca applicata, ma il confronto con le migliori euristiche classiche è ancora impegnativo. È più corretto parlare di laboratorio per nuovi metodi che di sostituzione imminente delle tecniche esistenti.
Un terzo ambito è quello del campionamento e dei metodi probabilistici. Dove servono distribuzioni complesse e strutture probabilistiche ricche, il formalismo quantistico offre strumenti concettuali interessanti soprattutto quando si integra con tecniche di machine learning classiche. Anche in questo caso però il beneficio dipende in modo cruciale dalla qualità dell’hardware e dai tassi d’errore effettivi.
Conclusione: tra realismo e prospettiva
Il calcolo quantistico non è magia e non è una tecnologia pronta a rimpiazzare l’informatica classica. È però una piattaforma che sta passando dalla prova di concetto alla tabella di marcia ingegneristica con un asse molto chiaro: arrivare a macchine fault tolerant in cui il rumore non sia più un ostacolo strutturale ma un dettaglio gestibile dell’implementazione.
Quando questo salto avverrà, alcune classi di problemi oggi estremi diventeranno trattabili e l’effetto competitivo potrà essere reale. Nel frattempo la strategia più sensata è una maturità operativa: sperimentare via cloud, comprendere i vincoli fisici, progettare workflow ibridi e comunicare progressi e limiti con onestà scientifica. È il modo migliore per “ricominciare” dopo la corsa all’AI mettendo a frutto le lezioni apprese e costruendo un ecosistema più consapevole.
Bibliografia
- E. Grigoryan; S. Kumar e P. R. Pinheiro, “A Review on Models and Applications of Quantum Computing,” Quantum Reports, vol. 7, n. 3, art. 39, 2025. DOI:
https://doi.org/10.3390/quantum7030039Pagina:https://www.mdpi.com/2624-960X/7/3/39. MDPI - V. Erol, “Quantum Error Correction and Fault-Tolerant Computing: Recent Progress in Codes, Decoders, and Architectures (v2),” Preprints.org, posted 30 Sep 2025. DOI:
https://doi.org/10.20944/preprints202509.2149.v2Pagina:https://www.preprints.org/manuscript/202509.2149/v2. Preprints+1 - J. Preskill, “Quantum Computing in the NISQ era and beyond,” Quantum, vol. 2, p. 79, 2018. DOI:
https://doi.org/10.22331/q-2018-08-06-79Pagina:https://quantum-journal.org/papers/q-2018-08-06-79/. quantum-journal.org - R. Mandelbaum; J. Gambetta; J. Chow; T. Mittal; T. J. Yoder; A. Cross e M. Steffen, “How IBM will build the world’s first large-scale, fault-tolerant quantum computer,” IBM Quantum Computing Blog, 10 Jun 2025. Pagina:
https://www.ibm.com/quantum/blog/large-scale-ftqc. IBM - M. Swayne, “Quantum Computing Roadmaps: A Look at the Maps and Predictions of Major Quantum Players,” The Quantum Insider, 11 Aug 2025. Pagina:
https://thequantuminsider.com/2025/08/11/quantum-computing-roadmaps-a-look-at-the-maps-and-predictions-of-major-quantum-players/. The Quantum Insider - Amazon Web Services, “What is Amazon Braket?,” Amazon Braket Developer Guide, consultato il 7 Dec 2025. Pagina:
https://docs.aws.amazon.com/braket/latest/developerguide/what-is-braket.html. docs.aws.amazon.com - Wikipedia contributors, “Cloud-based quantum computing,” Wikipedia, consultato il 7 Dec 2025. Pagina:
https://en.wikipedia.org/wiki/Cloud-based_quantum_computing. Wikipedia - J. D. Weidman et al., “Quantum computing and chemistry,” Cell Reports Physical Science, vol. 5, art. 102105, 18 Sep 2024. DOI:
https://doi.org/10.1016/j.xcrp.2024.102105Full text:https://www.cell.com/cell-reports-physical-science/fulltext/S2666-3864(24)00383-7(copia PDF:https://cqdmqd.yale.edu/sites/default/files/2024-07/QC_and_chemistry.pdf). cqdmqd.yale.edu+1 - K. Bharti et al., “Noisy intermediate-scale quantum (NISQ) algorithms,” Reviews of Modern Physics, vol. 94, 015004, 2022. DOI:
https://doi.org/10.1103/RevModPhys.94.015004Preprint:https://arxiv.org/abs/2101.08448. arXiv+1 - H. Shang et al., “Towards practical and massively parallel quantum computing emulation for quantum chemistry,” npj Quantum Information, vol. 9, art. 33, 2023 (published 07 Apr 2023). DOI:
https://doi.org/10.1038/s41534-023-00696-7Pagina: https://www.nature.com/articles/s41534-023-00696-7