Qubit, algoritmi quantistici, correzione d'errore e l'incrocio con l'hardware reale.
Le imprese sono pronte per la seconda rivoluzione quantistica? La Quantum Readiness non è solo una sfida tecnologica, ma una questione di preparazione strategica. Dal palco del Q.Stack 2026, una riflessione sulle domande che le imprese devono porsi oggi per non arrivare impreparate alla rivoluzione quantistica.
Il primo ambito di applicazione per le tecnologie quantistiche è quello dell'ottimizzazione. Per avere un'idea del potenziale attuale di queste tecnologie serve un problema industriale con dati reali e la challenge ROADEF/EURO 2020 rappresenta un ottimo benchmark fra computazione classica e la risoluzione con il solver ibrido di D-Wave.
La risoluzione di problemi di ottimizzazione è fra le prime applicazioni concrete dell’attuale generazione di computer quantistici per la risoluzione di problemi reali in contesti di business. Un semplice esempio illustra come tali problemi vadano formulati sotto il profilo matematico e come questi possano essere risolti con le librerie rilasciate da D-Wave (prima azienda a realizzare computer quantistici specializzati per la risoluzione di tale classe di problemi).
E’ disponibile il repository Git con la mia versione di un Quantum Variational Classifier che può essere eseguito con diversi simulatori e su physical quantum processors disponibili in cloud come servizi computazionali.
I Variational Classifier sono una delle possibili applicazioni pratiche della computazione quantistica all’ambito del machine learning. Essi hanno alcune analogie con le reti neurali sia nella struttura topologica che nelle tecniche di addestramento. Il confronto fra i due modelli può quindi essere utile per capire meglio i primi, partendo dai secondi.
In questo post è riassunto il percorso fatto per approfondire alcuni aspetti della computazione quantistica indicando libri, articoli e corsi che hanno maggiormente contribuito alla realizzazione di un modello di machine learning quantistico.