Un team internazionale di ricercatori guidato dall’Università di Vienna ha raggiunto un importante traguardo nel campo del calcolo quantistico e dell’intelligenza artificiale, dimostrando che anche computer quantistici di piccola scala possono offrire benefici concreti per le applicazioni di apprendimento automatico.
Lo studio, pubblicato su Nature Photonics l’8 giugno 2025, ha utilizzato un innovativo circuito quantistico fotonico per implementare un algoritmo di machine learning kernel-based potenziato dal quantum. I ricercatori hanno dimostrato che il loro approccio quantistico supera i metodi classici più avanzati, come i kernel gaussiani e i neural tangent kernel, nei compiti di classificazione binaria.
"Abbiamo scoperto che per compiti specifici il nostro algoritmo commette meno errori rispetto alla controparte classica", spiega il professor Philip Walther dell’Università di Vienna, che ha guidato il progetto. "Ciò implica che i computer quantistici già esistenti possono offrire buone prestazioni senza necessariamente superare la tecnologia all’avanguardia", aggiunge Zhenghao Yin, primo autore della pubblicazione.
L’esperimento ha utilizzato un circuito fotonico quantistico realizzato al Politecnico di Milano, su cui è stato eseguito un algoritmo di machine learning proposto inizialmente da ricercatori di Quantinuum (Regno Unito). Il sistema sfrutta l’interferenza quantistica e la coerenza dei singoli fotoni per ottenere una precisione superiore nei compiti di classificazione dei dati.
Oltre a una maggiore accuratezza, questo approccio fotonico offre notevoli vantaggi in termini di efficienza energetica. Con l’aumento della complessità e dell’intensità energetica delle applicazioni di machine learning, i processori quantistici fotonici potrebbero rappresentare un’alternativa sostenibile. "Questo potrebbe rivelarsi cruciale in futuro, dato che gli algoritmi di machine learning stanno diventando insostenibili a causa delle richieste energetiche troppo elevate", sottolinea la coautrice Iris Agresti.
La ricerca ha implicazioni che vanno oltre il calcolo quantistico, poiché individua compiti specifici che beneficiano degli effetti quantistici e potrebbe ispirare nuovi algoritmi classici con migliori prestazioni e minori consumi energetici. Si tratta di un passo importante verso un vantaggio quantistico pratico nelle applicazioni di IA, colmando il divario tra il calcolo quantistico teorico e l’implementazione nel mondo reale.