Calcolo iperdimensionale quantistico: un paradigma di base per architetture neuromorfiche quantistiche

Perché questo nuovo tipo di calcolo conta

I computer sono ovunque, eppure molte delle sfide più difficili di oggi – dalla decodifica dei genomi alla scoperta di nuovi farmaci – mettono in crisi anche le macchine più veloci. Allo stesso tempo, i computer quantistici stanno passando da curiosità di laboratorio a strumenti pratici. Questo articolo presenta un modo per unire questi filoni: un quadro chiamato calcolo iperdimensionale quantistico (QHDC), progettato dalle fondamenta per permettere all'hardware quantistico di ragionare in modo simile a un cervello, basandosi sui pattern.

Dai numeri lunghi ai pattern ricchi

I computer classici di solito trattano l'informazione come numeri precisi elaborati passo dopo passo. Il calcolo iperdimensionale (HDC) prende una strada diversa: rappresenta l'informazione come vettori molto lunghi – pensateli come frecce gigantesche nello spazio – in cui ogni freccia codifica un concetto, un'immagine o persino una frase. Operazioni semplici su queste frecce possono legare concetti (per esempio collegare un paese alla sua valuta), raggruppare molti esempi in un prototipo o mescolare componenti per registrare l'ordine in una sequenza. Poiché l'informazione è distribuita su molti componenti, queste rappresentazioni sono naturalmente robuste al rumore e ben adatte a un apprendimento rapido a partire da pochi esempi.

Unire codici simili al cervello con macchine quantistiche

Gli autori mostrano che i trucchi fondamentali dell'HDC si allineano sorprendentemente bene con il modo in cui i computer quantistici funzionano naturalmente. In QHDC, ogni vettore ad alta dimensionalità è realizzato come uno stato quantistico distribuito su molte configurazioni fondamentali di pochi qubit. Le entrate positive e negative del vettore vengono trasformate in fasi quantistiche differenti, rendendo semplice per la macchina combinare due vettori sovrapponendo i loro schemi di fase. Le operazioni che aggregano molti esempi in un prototipo vengono eseguite con routine quantistiche avanzate che sommano con cura più stati quantistici, mentre l'informazione sull'ordine è gestita da una versione quantistica di uno shuffle basata sulla trasformata di Fourier quantistica.

Come viene testato il nuovo quadro

Per andare oltre la teoria, il team ha implementato QHDC usando il software Qiskit di IBM ed è stato eseguito sia in simulazione sia su un processore quantistico IBM Heron da 156 qubit. Hanno prima testato un compito di tipo puzzle classico: ragionamento analogico del tipo “USA sta a Dollaro come Messico sta a ?”. Usando solo versioni quantistiche delle operazioni base dell'HDC, il sistema ha recuperato correttamente “Peso” come elemento mancante nelle simulazioni ideali, eguagliando i risultati classici. Ciò ha dimostrato che ragionamenti piuttosto sottili possono essere riprodotti usando solo stati quantistici e interferenza, anche se il circuito completo era troppo profondo per essere eseguito in modo affidabile sui dispositivi rumorosi attuali.

Insegnare a un sistema quantistico a riconoscere i numeri

Il secondo test ha verificato se QHDC potesse apprendere da dati reali: distinguere le immagini delle cifre manoscritte 3 e 6 del dataset MNIST. Per rientrare nei limiti dell'hardware attuale, le immagini sono state ridotte a piccoli pattern in bianco e nero 4×4. Ogni immagine è stata codificata in un piccolo insieme di stati di feature quantistici, quindi combinata in un prototipo per ciascuna classe. Poiché la versione totalmente quantistica di questo passaggio di aggregazione richiederebbe circuiti estremamente profondi, gli autori hanno adottato un approccio ibrido: hanno effettuato l'aggregazione come semplice somma nello spazio classico e poi hanno riedificato il risultato come uno stato quantistico. Una routine quantistica nota come test di Hadamard ha poi confrontato lo stato di ogni nuova immagine con i due prototipi per decidere l'etichetta.

Prestazioni oggi e speranze per il domani

Su un computer convenzionale, questo classificatore in stile HDC ha raggiunto un'accuratezza paragonabile agli approcci standard di machine learning. Nelle simulazioni quantistiche ideali, la versione ibrida QHDC si è avvicinata molto, rivelando al contempo un trade‑off chiave: stati quantistici a più alta dimensionalità migliorano la separazione dei pattern ma richiedono circuiti più profondi che l'hardware attuale fatica a eseguire senza perdita d'informazione. Eseguendo il sistema sul dispositivo IBM reale, l'accuratezza è diminuita man mano che il rumore si accumulava, ma i risultati hanno comunque riflettuto chiaramente il comportamento previsto – e lo hanno fatto con molto meno sforzo di addestramento rispetto a popolari modelli di apprendimento automatico quantistico che richiedono molte fasi di messa a punto dei parametri.

Cosa potrebbe significare per future scoperte

In termini semplici, questo lavoro mostra che esiste un modo naturale per i computer quantistici di memorizzare e manipolare pattern ricchi e simili a quelli cerebrali invece che solo numeri e logica. Gli autori sostengono che, con il migliorare dell'hardware quantistico, QHDC potrebbe alimentare strumenti veloci e tolleranti al rumore per compiti come il confronto di sequenze genomiche, lo screening di enormi librerie chimiche o la fusione di molti tipi di dati medici in un'unica impronta specifica del paziente. Per ora, lo studio stabilisce che queste idee non sono solo curiosità matematiche: possono essere programmate, eseguite e misurate su macchine reali, gettando una base pratica per il calcolo neuromorfico quantistico.

Citazione: Cumbo, F., Li, RH., Raubenolt, B. et al. Quantum hyperdimensional computing: a foundational paradigm for quantum neuromorphic architectures. npj Unconv. Comput. 3, 21 (2026). https://doi.org/10.1038/s44335-026-00064-6

Parole chiave: calcolo quantistico, calcolo iperdimensionale, algoritmi neuromorfici, apprendimento automatico quantistico, riconoscimento di pattern