In quello che gli esperti definiscono il "sacro graal del calcolo quantistico", i ricercatori hanno ottenuto un'accelerazione esponenziale incondizionata su hardware quantistico, dimostrando in modo definitivo che i computer quantistici possono superare quelli classici senza riserve teoriche.
La ricerca rivoluzionaria, pubblicata su Physical Review X il 5 giugno 2025, è stata guidata da Daniel Lidar, professore di ingegneria alla USC ed esperto di correzione degli errori quantistici. In collaborazione con colleghi della USC e della Johns Hopkins University, il team di Lidar ha dimostrato il vantaggio esponenziale utilizzando due dei processori quantistici Eagle da 127 qubit di IBM, gestiti da remoto tramite cloud.
Ciò che rende questo risultato particolarmente significativo è che l’accelerazione è "incondizionata", ovvero non si basa su ipotesi non dimostrate. "Le precedenti affermazioni di accelerazione richiedevano l’assunzione che non esistessero algoritmi classici migliori con cui confrontare l’algoritmo quantistico", spiega Lidar. "La separazione delle prestazioni non può essere invertita perché l’accelerazione esponenziale che abbiamo dimostrato è, per la prima volta, incondizionata."
Il team ha modificato il problema di Simon—una sfida matematica che consiste nel trovare schemi nascosti in funzioni—per renderlo implementabile su hardware quantistico reale. Questo problema è considerato un precursore dell’algoritmo di fattorizzazione di Shor, che ha dato il via all’intero campo del calcolo quantistico. Per superare il rumore e gli errori che tipicamente affliggono i sistemi quantistici, i ricercatori hanno utilizzato sofisticate tecniche di soppressione degli errori, tra cui il disaccoppiamento dinamico e la mitigazione degli errori di misura.
Sebbene Lidar precisi che "questo risultato non ha applicazioni pratiche oltre a vincere giochi di indovinelli", le implicazioni per l’IA sono profonde. Con il continuo avanzamento dei computer quantistici, questi potrebbero accelerare drasticamente i processi di apprendimento automatico, in particolare per problemi di ottimizzazione e calcoli complessi che attualmente richiedono enormi risorse computazionali.
Gli algoritmi di IA potenziati dal quantistico hanno già mostrato risultati promettenti in applicazioni specifiche. Ricerche recenti hanno dimostrato che le tecniche quantistiche possono migliorare l’apprendimento automatico basato su kernel, rendendolo più veloce, accurato ed efficiente dal punto di vista energetico rispetto ai metodi classici. Con la scalabilità dell’hardware quantistico, questi vantaggi potrebbero abilitare una nuova generazione di capacità di IA prima impraticabili a causa dei limiti computazionali.
Questo risultato dimostra in modo inequivocabile la capacità, a lungo promessa, del calcolo quantistico di offrire accelerazioni esponenziali, segnando un passo cruciale verso un vantaggio quantistico pratico nelle applicazioni del mondo reale.