I ricercatori australiani hanno raggiunto ciò che gli esperti definiscono una svolta "epocale" nel calcolo quantistico, destinata ad accelerare in modo significativo le capacità di elaborazione dell’intelligenza artificiale nei prossimi anni.
Il team dell’Università di Sydney, guidato dal Professor David Reilly, ha sviluppato un piccolo "chiplet" CMOS in grado di operare a 100 millikelvin (appena sopra lo zero assoluto), controllando più spin qubit di silicio utilizzando solo pochi microwatt di potenza. Questo risultato risolve una sfida ingegneristica considerata a lungo insormontabile nel campo del calcolo quantistico.
L’importanza dell’innovazione risiede nella capacità di posizionare l’elettronica di controllo a meno di un millimetro dai qubit stessi, senza compromettere i loro fragili stati quantistici. "Grazie a un attento design, dimostriamo che i qubit quasi non percepiscono il funzionamento di 100.000 transistor proprio accanto a loro", ha spiegato Reilly, che ha descritto il traguardo come "la fine di una lunga strada" dopo un decennio di sviluppo.
Gli approcci tradizionali al calcolo quantistico richiedono ingombranti sistemi di controllo esterni collegati tramite cablaggi complessi, creando un collo di bottiglia nella scalabilità. Integrando l’elettronica di controllo direttamente in un package CMOS compatibile con l’ambiente criogenico, il team australiano ha eliminato questa limitazione, aprendo la strada a processori quantistici con milioni di qubit su un singolo chip.
La scoperta sfrutta gli spin qubit di silicio, particolarmente promettenti grazie alla loro compatibilità con le infrastrutture produttive dei semiconduttori già esistenti. A differenza di altre tecnologie quantistiche, questi qubit possono essere prodotti su larga scala utilizzando gli stessi processi di fabbricazione CMOS impiegati negli smartphone e nei computer moderni.
Le implicazioni per l’intelligenza artificiale sono profonde. Computer quantistici con milioni di qubit potrebbero accelerare esponenzialmente l’addestramento di modelli AI complessi e abilitare nuove classi di algoritmi impossibili sull’hardware tradizionale. Ciò potrebbe portare a scoperte in settori come la ricerca farmaceutica, la scienza dei materiali e l’ottimizzazione di sistemi complessi, che rimangono oggi irrisolvibili anche per i sistemi AI più avanzati.