L’intelligenza artificiale può aiutare a scoprire nuovi materiali, ma avremo bisogno di computer quantistici per spostare davvero l’ago della bilancia.
L’8 gennaio, il CEO di Nvidia Jensen Huang ha scosso il mercato azionario affermando che l’informatica quantistica pratica è ancora lontana dai 15 ai 30 anni, suggerendo al contempo che tali computer avranno bisogno delle GPU Nvidia per implementare la necessaria correzione degli errori.
Tuttavia, la storia dimostra che le persone brillanti non sono immuni da errori. Le previsioni di Huang non colgono nel segno, sia per quanto riguarda la tempistica dell’informatica quantistica utile, sia per quanto riguarda il ruolo che la tecnologia della sua azienda svolgerà in quel futuro.
Ho seguito da vicino gli sviluppi dell’informatica quantistica in qualità di investitore e mi sembra chiaro che stia rapidamente convergendo verso l’utilità. L’anno scorso, il dispositivo Willow di Google ha dimostrato che esiste un percorso promettente per arrivare a computer sempre più grandi. Ha dimostrato che gli errori possono essere ridotti esponenzialmente con l’aumento del numero di bit quantistici, o qubit. Ha inoltre eseguito in meno di cinque minuti un test di riferimento che richiederebbe a uno dei supercomputer più veloci di oggi 10 septilioni di anni. Sebbene sia troppo piccolo per essere commercialmente utile con gli algoritmi conosciuti, Willow dimostra che la supremazia quantistica (eseguire un compito che è effettivamente impossibile da gestire per qualsiasi computer classico in un tempo ragionevole) e la tolleranza ai guasti (correggere gli errori più velocemente di quanto vengano commessi) sono realizzabili.
Per esempio, PsiQuantum , una startup in cui la mia azienda ha investito, sta per iniziare la costruzione di due computer quantistici che entreranno in servizio commerciale entro la fine di questo decennio. Il progetto prevede che ognuno di essi sia 10 mila volte più grande di Willow, abbastanza per affrontare importanti questioni sui materiali, sui farmaci e sugli aspetti quantistici della natura. Questi computer non utilizzeranno le GPU per implementare la correzione degli errori. Piuttosto, avranno un hardware personalizzato, che funzionerà a velocità impossibili con l’hardware Nvidia.
Allo stesso tempo, gli algoritmi quantistici stanno migliorando molto più velocemente dell’hardware. Una recente collaborazione tra il gigante farmaceutico Boehringer Ingelheim e PsiQuantum ha dimostrato un miglioramento di oltre 200 volte negli algoritmi di simulazione di importanti farmaci e materiali. Phasecraft, un’altra società in cui abbiamo investito, ha migliorato le prestazioni di simulazione di un’ampia varietà di materiali cristallini e ha pubblicato una versione potenziata dal punto di vista quantistico di un algoritmo di scienza dei materiali ampiamente utilizzato, che si avvicina in modo allettante a battere tutte le implementazioni classiche sull’hardware esistente.
Progressi come questi mi portano a credere che l’informatica quantistica utile sia inevitabile e sempre più imminente. Ed è una buona notizia, perché la speranza è che siano in grado di eseguire calcoli che nessuna AI o calcolo classico potrebbe mai raggiungere.
Dovremmo preoccuparci della prospettiva di computer quantistici utili perché oggi non sappiamo davvero come fare chimica. Non conosciamo i meccanismi d’azione di molti dei nostri farmaci più importanti. I catalizzatori che guidano le nostre industrie sono generalmente poco conosciuti, richiedono materiali esotici costosi o entrambe le cose. Nonostante le apparenze, abbiamo notevoli lacune nella nostra capacità di controllo del mondo fisico; le nostre conquiste smentiscono il fatto che, per molti versi, stiamo brancolando nel buio.
La natura opera secondo i principi della meccanica quantistica. I nostri metodi di calcolo classici non riescono a catturare con precisione la natura quantistica della realtà, anche se gran parte delle nostre risorse di calcolo ad alte prestazioni sono dedicate a questa ricerca. Nonostante tutto il capitale intellettuale e finanziario speso, non abbiamo ancora capito perché funziona l’antidolorifico acetaminofene, come funzionano i superconduttori di tipo II o perché un semplice cristallo di ferro e azoto può produrre un magnete con una forza di campo così incredibile. Cerchiamo composti nella corteccia degli alberi amazzonici per curare il cancro e altre malattie, rovistando manualmente in un sottoinsieme pietosamente piccolo di uno spazio di progettazione che comprende 1060 piccole molecole. È più che imbarazzante.
Tuttavia, abbiamo alcuni strumenti con cui lavorare. Nell’industria, la teoria funzionale della densità (DFT) è il cavallo di battaglia della chimica computazionale e della modellazione dei materiali, ampiamente utilizzata per studiare la struttura elettronica di sistemi a molti corpi, come atomi, molecole e solidi. Quando la DFT viene applicata a sistemi in cui le correlazioni elettrone-elettrone sono deboli, produce risultati ragionevoli. Ma fallisce completamente in un’ampia classe di problemi interessanti.
Prendiamo, ad esempio, il fermento dell’estate 2023 intorno al “superconduttore a temperatura ambiente” LK-99. Molti chimici esperti si sono rivolti alla DFT per cercare di caratterizzare il materiale e determinare se fosse effettivamente un superconduttore. I risultati sono stati, per dirla in modo gentile, contrastanti, così abbiamo abbandonato i nostri migliori metodi computazionali e siamo tornati al mortaio e al pestello per cercare di produrre un po’ di materiale. Purtroppo, sebbene l’LK-99 possa avere molte caratteristiche innovative, non è un superconduttore a temperatura ambiente. È un peccato, perché un materiale del genere potrebbe rivoluzionare la generazione, la trasmissione e l’immagazzinamento dell’energia, per non parlare del confinamento magnetico per i reattori a fusione, gli acceleratori di particelle e altro ancora.
L’intelligenza artificiale ci aiuterà certamente a comprendere i materiali, ma non è una panacea. Negli ultimi anni sono emerse nuove tecniche di IA, con risultati promettenti. Il Graph Networks for Materials Exploration (GNoME) di DeepMind, ad esempio, ha trovato 380.000 nuovi materiali potenzialmente stabili. Tuttavia, GNoME dipende dalla DFT, quindi le sue prestazioni sono buone solo se la DFT è in grado di produrre risposte valide.
Il problema fondamentale è che un modello di intelligenza artificiale è buono solo quanto i dati su cui viene addestrato. L’addestramento di un LLM sull’intero corpus di Internet, per esempio, può produrre un modello che ha una comprensione ragionevole della maggior parte della cultura umana e può elaborare il linguaggio in modo efficace. Ma se la DFT fallisce per qualsiasi sistema quantistico non banalmente correlato, quanto può essere utile un set di addestramento derivato dalla DFT? Potremmo anche ricorrere alla sintesi e alla sperimentazione per creare dati di addestramento, ma il numero di campioni fisici che possiamo realisticamente produrre è minuscolo rispetto al vasto spazio di progettazione, lasciando una grande quantità di potenziale inutilizzato. Solo quando avremo simulazioni quantistiche affidabili per produrre dati di addestramento sufficientemente accurati, saremo in grado di creare modelli di intelligenza artificiale che rispondano a domande di tipo quantistico su hardware classico.
E questo significa che abbiamo bisogno di computer quantistici. Essi ci offrono l’opportunità di passare da un mondo di scoperta a un mondo di progettazione. L’odierno processo iterativo di indovinare, sintetizzare e testare i materiali è comicamente inadeguato.
In alcuni casi allettanti, abbiamo scoperto materiali, come i superconduttori, con proprietà quasi magiche. Quante altre cose potrebbero rivelare questi nuovi strumenti nei prossimi anni? Alla fine avremo macchine con milioni di qubit che, se usate per simulare materiali cristallini, apriranno un nuovo e vasto spazio di progettazione. Sarà come svegliarsi un giorno e trovare un milione di nuovi elementi con proprietà affascinanti sulla tavola periodica.
Naturalmente, la costruzione di un computer quantistico da un milione di qubit non è per i deboli di cuore. Queste macchine avranno le dimensioni di un supercomputer e richiederanno grandi quantità di capitale, criopiante, elettricità, cemento e acciaio. Richiedono inoltre componenti fotonici in silicio con prestazioni ben superiori a quelle dell’industria, hardware di correzione degli errori abbastanza veloci da inseguire i fotoni e rivelatori di fotoni singoli con una sensibilità senza precedenti. Ma dopo anni di ricerca e sviluppo e oltre un miliardo di dollari di investimenti, la sfida sta passando dalla scienza e dall’ingegneria alla costruzione.
È impossibile prevedere completamente come l’informatica quantistica influenzerà il nostro mondo, ma un esercizio di pensiero potrebbe offrire un modello mentale di alcune delle possibilità.
Immaginate il nostro mondo senza metallo. Potremmo avere case di legno costruite con attrezzi di pietra, agricoltura, aratri di legno, caratteri mobili, stampa, poesia e persino periodici scientifici curati con attenzione. Ma non avremmo alcun sentore di fenomeni come l’elettricità o l’elettromagnetismo: niente motori, generatori, radio, macchine per la risonanza magnetica, silicio o intelligenza artificiale. Non ne sentiremmo la mancanza, perché saremmo ignari della loro esistenza.
Oggi viviamo in un mondo senza materiali quantistici, ignari del potenziale non realizzato e dell’abbondanza che si trovano appena fuori dalla nostra vista. Con i computer quantistici su larga scala all’orizzonte e i progressi negli algoritmi quantistici, siamo pronti a passare dalla scoperta alla progettazione, entrando in un’era di dinamismo senza precedenti nella chimica, nella scienza dei materiali e nella medicina. Sarà una nuova era di padronanza del mondo fisico.
Peter Barrett è socio accomandatario di Playground Global, che investe in aziende deep-tech in fase iniziale, tra cui alcune che si occupano di informatica quantistica, algoritmi quantistici e rilevamento quantistico: PsiQuantum, Phasecraft, NVision e Ideon.
