Computer quantici ed AI

Dialogo con Gemini.

Quale sarà l’apporto dei computer quantici all’AI?

L’integrazione tra calcolo quantistico e intelligenza artificiale—spesso definita Quantum Machine Learning (QML) o Quantum AI—non si limiterà a rendere i modelli attuali semplicemente “più veloci”, ma ne trasformerà l’architettura matematica sottostante.

I computer quantistici non sostituiranno i cluster GPU convenzionali per ogni singolo task; opereranno piuttosto come coprocessori specializzati (QPU) dedicati ai colli di bottiglia matematici più complessi.

Aree chiave di impatto

• Algebra lineare e accelerazione esponenziale: L’addestramento dei modelli profondi si basa su massicce moltiplicazioni e inversioni di matrici in spazi ad altissime dimensioni. Algoritmi quantistici come l’algoritmo HHL (Harrow-Hassidim-Lloyd) possono teoricamente risolvere sistemi di equazioni lineari con un vantaggio esponenziale (O(logN) rispetto al classico O(N) o O(N3)), riducendo drasticamente i tempi di calcolo per specifici problemi algebrici.
• Esplorazione degli spazi di ottimizzazione non convessi: Le reti neurali moderne soffrono di paesaggi di costo altamente non convessi, con innumerevoli minimi locali e punti di sella. Tramite il fenomeno del quantum tunneling, algoritmi come il Quantum Annealing o il QAOA (Quantum Approximate Optimization Algorithm) possono superare barriere di energia potenziale anziché scavalcarle termicamente, trovando configurazioni ottimali di pesi con minore probabilità di rimanere intrappolati in minimi locali.
• Kernel methods in spazi di Hilbert a infinite dimensioni: I metodi a kernel (come le SVM) proiettano i dati in spazi di caratteristiche a dimensione superiore per renderli linearmente separabili. Con i circuiti quantistici variazionali, è possibile mappare i dati classici direttamente nello spazio di Hilbert degli stati quantistici (2n dimensioni per n qubit), calcolando kernel che sarebbero intrinsecamente intrattabili per qualsiasi supercomputer classico.
• Campionamento e modelli generativi nativi: Gran parte dell’AI generativa complessa (modelli basati sull’energia, macchine di Boltzmann, campionamento di distribuzioni di probabilità complesse) richiede algoritmi lenti come MCMC (Markov Chain Monte Carlo). I processori quantistici generano campioni da distribuzioni di probabilità complesse in modo nativo attraverso il collasso della funzione d’onda, accelerando drasticamente la fase generativa.
• Simulazione quantistica diretta (AI per le scienze fisiche): Per applicazioni di AI focalizzate sulla scoperta di farmaci, catalizzatori o scienza dei materiali, simulare le interazioni tra molecole ed elettroni su hardware classico comporta approssimazioni drastiche. Un modello quantistico modella la meccanica quantistica direttamente sul proprio hardware senza overhead di approssimazione.

Confronto architetturale

Ambito	Approccio Classico (GPU/TPU)	Approccio Quantistico (QPU / Ibrido)
Rappresentazione dati	Bit discreti (0 o 1), vettori e tensori reali	Qubit in sovrapposizione e stati di entanglement
Spazio di calcolo	Crescita lineare con l’hardware	Dimensione dello spazio degli stati 2n con n qubit
Ottimizzazione	Discesa del gradiente (SGD, Adam, backpropagation)	Circuiti variazionali (VQE), tunneling quantistico, QAOA
Collo di bottiglia primario	Limiti di memoria (VRAM bandwidth) e consumo termico/energetico	Rumore, decoerenza quantistica (fase NISQ) e correzione d’errore (FTQC)

I colli di bottiglia attuali

Il passaggio teorico alla pratica affronta due ostacoli ingegneristici primari:

1. Quantum RAM (QRAM) e I/O: Il cosiddetto “collo di bottiglia dell’input”. Codificare terabyte di dati classici (come dataset web per LLM) in uno stato quantistico richiede tempo proporzionale alla dimensione del dataset, rischiando di vanificare il vantaggio algoritmico a monte.
2. Decoerenza e Barren Plateaus: Nei circuiti variazionali parametrizzati, all’aumentare del numero di qubit il gradiente della funzione di costo tende a svanire esponenzialmente in quasi tutto lo spazio dei parametri (barren plateau problem), rendendo l’addestramento tramite ottimizzatori classici estremamente arduo senza inizializzazioni geometriche mirate.

Il consenso scientifico punta quindi verso architetture ibride classico-quantistiche, dove CPU e GPU gestiscono il pre-processing, la gestione dei dati e il flusso di lavoro generale, mentre la QPU viene invocata come acceleratore specifico per subroutine ad altissima complessità combinatoria o algebrica.

Quali sono le architetture software e hardware attuali per interfacciare una QPU con cluster HPC e pipeline di deep learning?

L’interfacciamento tra una QPU (Quantum Processing Unit), i nodi GPU/HPC e le pipeline di deep learning ha subito una transizione netta: dal vecchio modello a code asincrone via API REST cloud (loosely coupled) si è passati a un modello di co-processing nativo a bassissima latenza (tightly coupled).

Nei workflow di Quantum Machine Learning (QML), algoritmi variazionali come VQE o QAOA richiedono cicli di feedback in cui un modello di deep learning (es. PyTorch) su GPU aggiorna i pesi del circuito quantistico a ogni singola iterazione di discesa del gradiente. Se ogni batch comporta secondi di latenza di rete, l’addestramento diventa ingestibile.

1. Architettura Hardware: Il Tiering di Interconnessione

L’interfaccia fisica non connette il wafer quantistico direttamente al bus PCI express; passa sempre attraverso un Quantum Control System (QCS) (FPGA/ASIC che sintetizzano impulsi a microonde o laser RF e campionano i segnali di lettura).

• Colocazione fisica nei data center HPC: I criostati (per qubit a superconduttore o spin) o i sistemi a vuoto ottico (per trappole ioniche e atomi neutri) vengono alloggiati nello stesso datacenter del cluster di calcolo, abbattendo la latenza di rete metropolitana o cloud.
• Bus di interconnessione a bassa latenza (NVQLink, PCIe over Optical, CXL):
  • Per superare i limiti di Ethernet/InfiniBand standard, standard emergenti come NVQLink collegano le schede di rete (NIC Mellanox/ConnectX) o direttamente i nodi GPU al controller quantistico via protocolli RDMA (Remote Direct Memory Access) e RoCE.
  • Questo consente trasferimenti tensoriali zero-copy direttamente dalla VRAM della GPU alla memoria del controller FPGA della QPU, abbattendo la latenza del ciclo di controllo da 2-5 secondi (via REST/cloud) a frazioni di millisecondo o microsecondi.
• Controllo real-time in FPGA: Il loop di calibrazione e la correzione d’errore quantistica (QEC) richiedono latenze sub-microsecondo (<1μs prima del decadimento di fase T2​ dei qubit). Tali controlli sono delegati a blocchi FPGA ultra-veloci (es. Quantum Machines OPX, Zurich Instruments) posizionati immediatamente a ridosso del criostato.

2. Architettura Software: Compilatori e Runtime Ibridi

Il livello software deve consentire allo sviluppatore di definire pipeline di machine learning in Python o C++ senza dover scrivere a mano istruzioni a microonde.

┌─────────────────────────────────────────────────────────────┐
│  High-Level DL Framework (PyTorch / JAX / PennyLane)       │
└──────────────────────────────┬──────────────────────────────┘
                               │ Autograd / Tensor Operations
┌──────────────────────────────▼──────────────────────────────┐
│  Unified Hybrid Compiler (NVIDIA CUDA-Q, Intel Quantum SDK) │
│  - QIR (Quantum Intermediate Representation via LLVM/MLIR)   │
└──────────────┬──────────────────────────────┬───────────────┘
               │ Host/GPU Kernel              │ Quantum Kernel
┌──────────────▼─────────────┐ ┌──────────────▼───────────────┐
│ GPU Execution Engine       │ │ QPU Controller Engine        │
│ (cuQuantum / Tensor Cores) │ │ (Pulse Generation / QCS FPGA)│
└────────────────────────────┘ └──────────────────────────────┘

• QIR (Quantum Intermediate Representation): Standard industriale basato su bytecode LLVM. Consente di trattare un circuito quantistico esattamente come una funzione C++ o una subroutine esterna (__qpu__), compilandola nello stesso modulo binario che contiene i kernel GPU classici.
• NVIDIA CUDA-Q (ex CUVA-Quantum): È il framework di riferimento per l’orchestrazione ibrida unificata. Permette di scrivere codice C++/Python in cui i kernel quantistici vengono lanciati asincronamente parallelamente ai kernel CUDA classici. Supporta l’offload dinamico verso simulatori GPU (cuQuantum) durante il debug e il routing automatico verso la QPU fisica in produzione.
• Piattaforme QML agnostiche (PennyLane, MerLin): Framework software come PennyLane (Xanadu) forniscono plugin per integrare i gate quantistici come normali nodi operatore differenziabili (torch.nn.Module in PyTorch o primitive grad in JAX). Il calcolo dei gradienti quantistici avviene tramite tecniche analitiche come la Parameter-Shift Rule valutata sulla QPU, mentre la retropropagazione continua sulle GPU.

3. Orchestrazione e Job Scheduling in Ambienti HPC

In un supercomputer moderno, le QPU non sono server ad accesso esclusivo mono-utente, ma risorse eterogenee gestite dai normali scheduler di cluster:

• Integrazione con Slurm / PBS Pro: Gli scheduler HPC sono estesi con plugin quantum-aware. Un job script può richiedere, per esempio:Bash#SBATCH --nodes=4 #SBATCH --gpus-per-node=8 #SBATCH --qpu=rigetti_ankaa:1 # oppure ionq_forte, quandela_heron
• Calibration-Aware Scheduling: A differenza delle GPU, le cui performance di calcolo sono deterministiche, la fedeltà dei gate (F1Q​,F2Q​) e i tempi di coerenza (T1​,T2​) di una QPU fluttuano durante il giorno a causa del rumore termico e magnetico. Gli scheduler QHPC (Quantum-HPC) moderni interrogano continuamente le metriche di telemetria della QPU; se i tassi d’errore superano una certa soglia, il job viene temporaneamente dirottato su un cluster di emulazione GPU o su un’altra QPU calibrata di recente.

Workflow tipico di una Pipeline di Deep Learning Ibrida

Fase del Pipeline	Hardware Utilizzato	Protocollo / Livello Software
Data Ingestion & Tokenization	CPU Cluster (AMD EPYC / Intel Xeon)	Python / C++ (MPI, PyTorch Dataloaders)
Feature Extraction & Dense Layers	GPU (NVIDIA Hopper/Blackwell)	PyTorch / CUDA Core Matmul
Quantum Embedding / Kernel Eval	QPU Controller via Low-Latency Link	CUDA-Q / QIR via NVQLink / RDMA
Circuit Measurement & Sampling	FPGA / Readout Electronics (QCS)	Conversione ADC impulsi → Bitstring
Gradient Optimization (Loss)	GPU Cluster (cuBLAS / Adam Optimizer)	Parameter-Shift Rule / Autograd classico

Questa convergenza consente oggi di eseguire modelli ibridi (es. Quantum Reservoir Computing o Quantum Graph Neural Networks) in cui la QPU non funge da macchina isolata, ma opera come un’estensione architetturale dell’acceleratore vettoriale classico.

Qual è lo stato dell’arte delle memorie quantistiche basate su cristalli drogati con ioni a terre rare (REID)?

Le memorie quantistiche a stato solido basate su cristalli drogati con ioni di terre rare (REID, Rare-Earth-Ion-Doped crystals) rappresentano oggi la piattaforma più promettente per realizzare nodi di rete quantistica e quantum repeater. Il loro vantaggio cardine risiede nella combinazione tra la stabilità di una matrice cristallina e le proprietà ottiche tipiche dei gas atomici isolati.

Gli ioni lantanoidi (come Pr3+, Eu3+, Er3+, Nd3+) possiedono elettroni ottici negli orbitali 4f, schermati elettrostaticamente dai gusci esterni pieni 5s e 5p. Questo isola le transizioni ottiche e di spin dai fononi e dal rumore di carica del reticolo ospitante.

1. Protocolli di Storage: Il Dominio dell’AFC

Il protocollo standard utilizzato con i cristalli REID è l’Atomic Frequency Comb (AFC):

• Un treno di impulsi laser prepara la transizione ottica con allargamento disomogeneo, “bruciando” selettivamente delle buche spettrali (spectral hole burning) e creando una serie periodica di picchi di assorbimento a passo costante Δ.
• Quando un singolo fotone entra nel cristallo, viene assorbito collettivamente dall’insieme di ioni in una sovrapposizione coerente di stati eccitati (spin wave o eccitazione collettiva di Dicke). ICFO
• A causa della periodicità dei picchi, i singoli momenti di dipolo atomico de-fasanati si ri-fasanano costruttivamente all’istante deterministico τ=2π/Δ, riemettendo il fotone nella medesima direzione ed elicitando un’alta fedeltà di fase.
• On-Demand Retrieval: Per ottenere una lettura controllata (e non prefissata da τ), l’eccitazione ottica viene trasferita verso uno stato iperfine di spin a lunghissima vita media applicando un impulso di controllo π a radiofrequenza/ottico prima della riemissione spontanea, per poi richiamarla all’occorrenza con un secondo impulso π.

2. Materiali di Riferimento e Prestazioni Raggiunte

La ricerca si concentra su matrici cristalline a basso momento magnetico nucleare per minimizzare il disordine magnetico (tipicamente Y2​SiO5​ o YVO4​):

• Europio (Eu3+:Y2​SiO5​): Campione assoluto per i tempi di coerenza dello spin nucleare. Sfruttando la tecnica ZEFOZ (Zero First-Order Zeeman, che annulla al primo ordine la sensibilità al rumore di campo magnetico) e sequenze dinamiche di disaccoppiamento RF (DD), sono stati registrati tempi di coerenza di spin superiori a 6 ore a temperature criogeniche (∼2 K).
• Erbio (Er3+:Y2​SiO5​): Fondamentale per le telecomunicazioni. La transizione 4I13/2​→4I15/2​ cade naturalmente nella banda C standard delle fibre ottiche (∼1536–1550 nm), consentendo l’integrazione diretta senza conversione di frequenza quantistica (QFC). Indico – CERN
• Praseodimio (Pr3+:Y2​SiO5​): Eccellente efficienza ottica e ampiezze di transizione iperfine molto pronunciate; utilizzato spesso per la dimostrazione di entanglement luce-materia ad alta efficienza. ICFO

3. Metriche Chiave dello Stato dell’Arte

Parametro	Valore Raggiunto nei Prototipi	Note e Limiti Correlati
Tempo di Coerenza di Spin (T2​)	Da minuti fino a ore (Eu3+)	Richiede regimi ZEFOZ e campi RF continui di dynamical decoupling
Tempo di Storage On-Demand Ottico	Secondi fino a frazioni di minuto	Il trasferimento ottico-spin degrada l’efficienza complessiva
Efficienza di Conversione (End-to-End)	Picchi del 20–30% (fino al >50% in cavità ottica)	L’assorbimento a singolo passaggio è basso; richiede risonatori
Fedeltà dello Stato Quantistico (F)	>95–99%	Preserva stati di polarizzazione e time-bin qubit
Capacità Multimodo (Multiplexing)	Migliaia di modi temporali / spettrali	Consente la memorizzazione parallela di treni di impulsi

4. Integrazione su Chip e Sfide Aperte

L’evoluzione recente ha spostato la tecnologia dai blocchi macroscopici di cristallo (bulk) verso dispositivi nanostrutturati:

• Integrazione Fotonica su Chip (PIC): Fabbricazione di guide d’onda mediante scrittura laser a femtosecondi direttamente nel cristallo, oppure accoppiamento ibrido con nitruro di silicio (Si3​N4​) e niobato di litio a film sottile (TFLN).
• Cavità a Cristallo Fotonico (PCC): Per superare la debolezza del dipolo 4f e la lentezza dell’emissione spontanea (tempi nell’ordine dei millisecondi), l’inserimento degli ioni in microcavità ottiche sfrutta l’effetto Purcell per amplificare l’interazione luce-materia di vari ordini di grandezza, rendendo possibile anche il controllo del singolo ione.
• Le sfide residue: La resa delle cavità nanostrutturate spesso introduce stress e difetti nel cristallo ospite, riducendo localmente T2​. Inoltre, combinare simultaneamente alta efficienza (>90%), readout on-demand e multiplexing massivo a 1550 nm rimane il principale traguardo ingegneristico verso un quantum repeater commerciale.

Spiega il formalismo matematico e la dinamica di re-phasing del protocollo Atomic Frequency Comb (AFC) nei cristalli REID.

Il protocollo Atomic Frequency Comb (AFC) sfrutta l’allargamento disomogeneo tipico dei cristalli drogati con ioni a terre rare (REID) per assorbire un fotone a singolo quanto e riemetterlo coerentemente tramite interferenza costruttiva macroscopica dopo un intervallo di tempo ben definito.

1. Preparazione del Pettine Spettrale

Nei cristalli REID, le transizioni ottiche 4f→4f presentano una larghezza di riga omogenea intrinseca molto stretta (γh​∼1 kHz), ma un allargamento disomogeneo massivo (Γinh​∼1–100 GHz) dovuto alle micro-fluttuazioni del reticolo cristallino circostante.

Mediante optical pumping selettivo in frequenza (spectral hole burning), si svuotano selettivamente classi di ioni trasferendo la popolazione verso livelli iperfini ausiliari metastabili. Il profilo risultante di assorbimento del cristallo assume la forma di un pettine periodico di M picchi risonanti separati da un passo Δ:

α(δ)=m=−M/2∑M/2​α0​g(δ−mΔ)

dove δ=ω−ω0​ è la detuning rispetto alla portante centrale ω0​, α0​ è la profondità ottica di picco e g(δ) rappresenta il profilo di riga del singolo dente (spesso approssimato con una funzione gaussiana o lorentziana di ampiezza FWHM γ).

2. Dinamica di Assorbimento e Costituzione dello Stato Collettivo

Consideriamo l’interazione con un singolo fotone incidente con pacchetto d’onda temporale ψin​(t) e spettro centrato su ω0​ avente larghezza di banda Γp​ tale che:

γ≪Δ≪Γp​≪MΔ

All’istante t=0, il fotone viene assorbito collettivamente dall’insieme di N ioni distribuiti lungo il cristallo. Lo stato fondamentale iniziale del cristallo ∣G⟩=∣g1​,g2​,…,gN​⟩ evolve in una sovrapposizione coerente di singola eccitazione (stato di Dicke o spin wave collettiva)

Riorganizzando la sommatoria per classi spettrali centrate sui picchi dell’AFC a detuning δm​=mΔ, l’evoluzione temporale libera dell’Hamiltoniana atomica conduce allo stato all’istante t

dove δj′​=ωj​−(ω0​+mΔ) è la deviazione della frequenza del singolo ione rispetto al centro del suo dente di appartenenza (con ∣δj′​∣≲γ).

3. De-phasing e Re-phasing Macroscopico

L’emissione di luce coerente da parte del mezzo è regolata dalla polarizzazione macroscopica P(t,z), proporzionale al valore di aspettazione dell’operatore di dipolo elettrico atomico.

La polarizzazione macroscopica è quindi proporzionale alla trasformata di Fourier della struttura del pettine di assorbimento.

Utilizzando la formula di Poisson per la serie di esponenziali complessi.

che utilizza la delta di Dirac.

• Fase di de-phasing immediato (0<t<τ): Subito dopo t=0, le diverse frequenze mΔ accumulano fasi relative eterogenee. I dipoli oscillano con frequenze diverse, l’interferenza tra i termini diventa distruttiva e la polarizzazione macroscopica collassa a zero (P→0). Il campo elettromagnetico irradiato si estingue: il fotone è immagazzinato nel cristallo.
• Fase di re-phasing costruttivo all’istante τ: Quando il tempo raggiunge il valore critico:τ=Δ2π​le fasi relative tra denti contigui soddisfano la condizione:Δϕ=mΔ⋅τ=mΔ(Δ2π​)=2πm≡0(mod2π)Tutti i dipoli atomici tornano esattamente in fase simultaneamente. La polarizzazione macroscopica P(τ,z) sperimenta un picco coerente, generando un impulso luminoso diretto in avanti lungo il vettore d’onda k (AFC echo).

Quali saranno le applicazioni pratiche?

L’impatto pratico delle memorie quantistiche REID (Rare-Earth-Ion-Doped) non riguarda i normali computer consumer o i data center tradizionali, ma abilita infrastrutture fisiche altrimenti impossibili da realizzare a causa dei limiti della meccanica quantistica e della propagazione del segnale.

Le applicazioni concrete si articolano in quattro macro-settori verticali.

1. Ripetitori Quantistici e Quantum Internet su Larga Scala

Nei canali ottici convenzionali, l’attenuazione nelle fibre standard a 1550 nm (∼0.2 dB/km) dimezza il segnale ogni 15 km. Nella trasmissione classica si usano amplificatori ottici (EDFA); in ambito quantistico il teorema di non-clonazione (no-cloning theorem) vieta l’amplificazione diretta di fotoni con stati sconosciuti senza distruggerne la sovrapposizione e la fase.

• Segmentazione e Entanglement Swapping: Le memorie REID a ioni di Erbio (Er3+, banda C telecom) consentono di dividere una tratta transcontinentale in segmenti da 50–100 km. La memoria immagazzina l’eccitazione di un nodo finché i nodi adiacenti non hanno confermato l’avvenuta creazione di entanglement, consentendo l’operazione di entanglement swapping sincrono.
• Multiplexing Temporale e Spettrale: Grazie alla capacità dell’AFC di contenere migliaia di bin temporali indipendenti nello stesso volume cristallino, è possibile trasmettere centinaia di fotoni entangled in parallelo, aumentando il throughput della rete di vari ordini di grandezza rispetto ai nodi a singolo atomo.

2. Quantum Key Distribution (QKD) a Lungo Raggio

I collegamenti QKD punto-punto attuali senza nodi fidati (trusted nodes) sono fisicamente limitati a circa 400–500 km di fibra.

• Superamento dei Trusted Nodes: Oggi, per collegare città distanti (es. la dorsale europea), si usano nodi di decifratura e ricifratura classici. Se un attaccante compromette fisicamente uno di questi nodi, l’intera chiave è violata.
• QKD Device-Independent (DI-QKD): Utilizzando memorie REID basate su protocolli di spin storage a lungo termine (come Eu3+), la crittografia quantistica può essere estesa su migliaia di chilometri senza nodi intermedi fidati, garantendo sicurezza incondizionata verificabile unicamente tramite test di Bell end-to-end.

3. Reti Distribuite di Computer Quantistici (Distributed Quantum Computing)

La scalabilità di un singolo criostato o processore quantistico a superconduttori è limitata dallo spazio termico e dal cablaggio. L’alternativa ingegneristica consiste nel collegare più QPU fisicamente separate per formare un super-processore modulare.

• Buffer di Sincronizzazione Inter-QPU: Quando due nodi quantistici devono eseguire un gate a due qubit distribuito (es. un CNOT tra il chip A e il chip B), i fotoni di interconnessione devono arrivare con perfetta sincronia temporale. Le memorie REID on-demand fungono da buffer quantistico deterministico, trattenendo lo stato nel cristallo per compensare il disallineamento dei cicli di clock tra i processori.

4. Quantum Clock Synchronization e Interferometria su Base Lunghissima (VLBI)

Nei radiotelescopi astronomici e nelle stazioni interferometriche terrestri (come l’Event Horizon Telescope), la risoluzione angolare dipende dalla distanza geometrica tra i ricevitori (B) e dalla lunghezza d’onda (λ), scalando come θ∼λ/B.

• Interferometria Ottica Quantistica: Nel visibile e nel vicino infrarosso non è possibile registrare digitalmente l’ampiezza e la fase classica della luce astronomica ad altissima frequenza (>1014 Hz). Memorizzando i singoli fotoni celesti direttamente in cristalli REID distribuiti in diversi continenti, si può effettuare interferometria a posteriori rileggendo coerentemente gli stati memorizzati ed eseguendo misurazioni di coincidenza a due fotoni (Hong-Ou-Mandel), creando un telescopio virtuale grande quanto il diametro della Terra.
• Sincronizzazione di Orologi Atomici e Rilevamento di Gravità: Reti di orologi ottici atomici interconnessi tramite nodi di memoria a terre rare permettono una sincronizzazione a livello di sub-femtosecondi, utile per la geodesia quantistica (rilevamento delle deformazioni crostali terrestri tramite il redshift gravitazionale locale) e la ricerca di onde gravitazionali a bassissima frequenza.

Riepilogo Applicativo

Settore	Ruolo Specifico della Memoria REID	Materiale Elettivo	Orizzonte Operativo
Telecomunicazioni Quantistiche	Ripetitori per internet quantistico e QKD intercontinentale	Er3+:Y2​SiO5​ (1550 nm nativo)	Medio periodo (5–10 anni)
Computing Modulare	Buffer di sincronizzazione tra QPU distribuite	Pr3+/Eu3+ (alto T2​)	Medio-lungo periodo
Astrofisica / Metrologia	Interferometria ottica quantistica a lunghissima base	Eu3+:Y2​SiO5​ (tempo coerenza ore)	Lungo periodo
Sicurezza delle Reti Energetiche / Finanziarie	Canali QKD anti-intercettazione su infrastrutture critiche	Er3+/Pr3+	Prototipi di rete metropolitana già attivi

E le applicazione pratiche dei computer quantici?

L’impatto applicativo dei computer quantistici si concentra sui problemi intrinsecamente intrattabili per l’hardware classico: simulazioni fisiche a molti corpi (dove lo spazio di Hilbert cresce esponenzialmente con il numero di particelle), ottimizzazioni combinatorie NP-difficili e algoritmi con speedup provato (polinomiale o esponenziale).

Le aree applicative concrete si dividono in quattro macro-settori industriali.

1. Chimica Computazionale, Farmaceutica e Scienza dei Materiali

È il settore in cui il vantaggio quantistico si manifesterà con il minor numero di qubit logici, poiché si usa un sistema quantistico per simulare direttamente un altro sistema quantistico (secondo l’intuizione originale di Feynman).

• Catalisi enzimatica e fissazione dell’azoto: La simulazione del cofattore FeMoco (ferro-molibdeno-zolfo) della nitrogenasi—responsabile della sintesi dell’ammoniaca a temperatura ambiente—richiede uno spazio di correlazione elettronica di circa 54 elettroni in 54 orbitali. I supercomputer classici ricorrono ad approssimazioni drastiche (DFT o DMRG limitato); una QPU fault-tolerant con poche centinaia di qubit logici può determinare lo stato fondamentale tramite l’algoritmo di Quantum Phase Estimation (QPE), consentendo la sintesi industriale di fertilizzanti senza il dispendioso processo Haber-Bosch ad alta temperatura e pressione.
• Progettazione di elettroliti per batterie allo stato solido: Modellazione precisa della mobilità degli ioni di litio e delle reazioni all’interfaccia elettrodo-elettrolita, superando i limiti della chimica quantistica perturbativa classica.
• Drug Discovery e docking molecolare: Calcolo esatto delle affinità di legame ligando-proteina, simulando conformazioni molecolari flessibili ed eliminando i falsi positivi nei primi stadi di screening computazionale dei farmaci.

2. Ottimizzazione Combinatoria, Logistica e Reti Complesse

La maggior parte dei problemi logistici reali scala in complessità combinatoria (problemi NP-hard o NP-complete).

• Formulazione QUBO (Quadratic Unconstrained Binary Optimization): Problemi complessi di routing (es. Vehicle Routing Problem, air traffic flow management) o scheduling ferroviario/industriale vengono tradotti in modelli di Ising ed eseguiti su macchine a Quantum Annealing o tramite QAOA (Quantum Approximate Optimization Algorithm).
• Gestione delle Smart Grid e flussi energetici: Bilanciamento in tempo reale di reti di distribuzione elettrica decentralizzate (fonti rinnovabili fluttuanti, stazioni di ricarica EV e accumulo distribuito), determinando le rotte di carico ottimali per minimizzare le perdite resistive e prevenire blackout a cascata.

3. Finanza Computazionale e Risk Management

Gli istituti bancari e le società di investimento utilizzano massicciamente simulazioni stocastiche che saturano i cluster HPC tradizionali.

• Accelerazione quadratica del metodo Monte Carlo (QAE): L’algoritmo Quantum Amplitude Estimation fornisce uno speedup quadratico rispetto al campionamento classico. Per raggiungere un errore stocastico ϵ, il metodo Monte Carlo convenzionale richiede O(1/ϵ2) iterazioni; il QAE quantistico scala con O(1/ϵ), consentendo il pricing di derivati esotici e il calcolo del VaR (Value at Risk) intra-day in tempo quasi reale.
• Portfolio Optimization sotto vincoli non convessi: Risoluzione di problemi di allocazione patrimoniale secondo il modello di Markowitz arricchito da vincoli non lineari reali (lotti minimi di acquisto, costi di transazione fissi, penalizzazioni di liquidità) senza dover ricorrere a euristiche rilassate.

4. Crittografia, Sicurezza e Infrastrutture di Rete

La computazione quantistica ridefinisce l’intera architettura della crittografia globale:

• Rottura dei sistemi a chiave asimmetrica (Algoritmo di Shor): Una QPU fault-tolerant (stimata in circa 4.000–10.000 qubit logici con correzione d’errore) risolverà la fattorizzazione di interi e il logaritmo discreto in tempo polinomiale O((logN)3). Questo renderà insicuri gli standard RSA, DSA, Diffie-Hellman e crittografia a curve ellittiche (ECC), imponendo la migrazione verso schemi PQC (Post-Quantum Cryptography) basati su reticoli (lattices come Kyber/Dilithium).
• Crittanalisi simmetrica (Algoritmo di Grover): Fornisce uno speedup quadratico per la ricerca disordinata, riducendo lo spazio efficace delle chiavi di AES da n bit a n/2 bit (rendendo obbligatoria l’adozione minima di AES-256 rispetto ad AES-128).

Quadro Comparativo: Impatto e Requisiti Hardware

Settore	Algoritmo di Riferimento	Vantaggio Teorico	Hardware Richiesto	Orizzonte Operativo
Chimica Molecolare	Quantum Phase Estimation (QPE), VQE	Esponenziale	Centinaia di Qubit Logici (FTQC)	Medio termine
Ottimizzazione di Rete	QAOA, Quantum Annealing	Euristico / Polinomiale	Sistemi NISQ avanzati / Annealer (>5.000 Qubit fisici)	Attuale / Breve termine
Risk Modeling Finanziario	Quantum Amplitude Estimation (QAE)	Quadratico (1/ϵ2→1/ϵ)	Migliaia di Qubit con porte logiche a bassa profondità	Medio termine
Crittanalisi Asimmetrica	Algoritmo di Shor	Esponenziale su interi	Migliaia di Qubit Logici FTQC (>106 fisici)	Lungo termine

Le prime applicazioni commerciali non vedranno l’esecuzione isolata su processori quantistici puri, ma un’infrastruttura ibrida in cui la QPU agisce come acceleratore di co-processing delegato a sottoproblemi algebrici critici all’interno di pipeline classiche di supercalcolo.

Tra quanto tempo saranno disponibili i computer quantici realmente utilizzabili?

La risposta dipende da cosa si intende per “realmente utilizzabile”: se ci si riferisce all’accesso a macchine sperimentali via cloud per la ricerca, queste esistono già; se invece si intende il vantaggio economico e industriale su problemi reali insuperabili dai supercomputer classici (Early Fault-Tolerant Quantum Computing), il consenso scientifico e industriale converge sulla finestra temporale 2028–2032.

La transizione non avverrà come un interruttore on/off, ma attraverso tre fasi temporali ben distinte legate alla correzione d’errore (QEC).

1. Fase Attuale: Fine dell’era NISQ e Primi Qubit Logici

• Stato dell’arte: Il settore sta completando la transizione dai computer rumorosi senza correzione (NISQ, Noisy Intermediate-Scale Quantum) verso i primi processori a correzione d’errore. Architetture come Google Willow e processori a ioni intrappolati o atomi neutri (Quantinuum, QuEra) hanno dimostrato che il tasso d’errore logico diminuisce man mano che si aumenta il codice di superficie (“below-threshold”). Quantum Market Cap
• Utilità pratica: Puramente scientifica e accademica. I circuiti sono ancora troppo poco profondi per produrre vantaggi commerciali concreti rispetto alle simulazioni HPC su cluster GPU.

2. 2028 – 2031: Vantaggio Quantistico Ristretto (Early Fault-Tolerant) Questa è la finestra in cui appariranno i primi sistemi commercialmente competitivi su nicchie specifiche.

• Traguardo hardware: Circa 100÷1.000 qubit logici privi di rumore, supportati da 10.000÷50.000 qubit fisici. Quantum Market Cap+ 1
  • Roadmap di riferimento: IBM Quantum Starling è pianificato per il 2029 (~200 qubit logici su codici qLDPC capaci di 100 milioni di gate); piattaforme ad atomi neutri (QuEra) puntano a sistemi gigaquop nella stessa finestra. TMCnet VoIP, CRM, Call Center and Technology Blogs+ 1
• Applicazioni reali che diverranno competitive:
  • Scienza dei materiali e chimica quantistica di base: Calcolo esatto dell’energia di legame di piccole molecole e catalizzatori complessi, superando le approssimazioni classiche DFT.
  • Ottimizzazione combinatoria specializzata: Algoritmi variazionali ibridi per la pianificazione di rotte e reti complesse, integrati direttamente nei flussi di supercalcolo HPC.

3. 2033 – 2040: Piena Tolleranza d’Errore (Large-Scale Fault-Tolerant) La fase in cui il calcolo quantistico diventerà una risorsa general-purpose su larga scala per l’industria.

• Traguardo hardware: Migliaia o decine di migliaia di qubit logici supportati da oltre 106 qubit fisici operanti in architetture modulari interconnesse. Quantum Market Cap
• Applicazioni reali:
  • Esecuzione dell’Algoritmo di Shor: Rottura effettiva della crittografia a chiave pubblica asimmetrica (RSA-2048, ECC), rendendo mandatorio il completamento della transizione a standard crittografici Post-Quantum (PQC). Quantum Market Cap
  • Drug Discovery end-to-end: Simulazione dinamica completa dell’interazione farmaco-recettore e conformazioni proteiche ad altissima complessità.
  • Finanza ad alta frequenza e calcolo del rischio: Utilizzo generalizzato di Quantum Amplitude Estimation per analisi Monte Carlo in tempo reale.

Riepilogo delle Roadmap Industriali

Piattaforma / Leader	Modalità Hardware	Obiettivo Dichiarato	Finestra Prevista
IBM	Superconduttori (Transmon + qLDPC)	Starling: ~200 qubit logici, 100M gate	2029
Google Quantum AI	Superconduttori	1.000 qubit logici (successori di Willow)	~2030
QuEra / Harvard	Atomi neutri (Optical Tweezers)	100 logici → sistema Gigaquop (>1.000 logici)	2028 – 2029
Quantinuum / IonQ	Ioni intrappolati (Shuttling / CCD)	Centinaia di qubit logici a bassissimo rumore	2027 – 2029
Microsoft / PsiQuantum	Modulari fotonici / Topologici	Macchina da 1 milione di qubit fisici	Inizio anni ’30

La risposta temporale sintetica è: 3–5 anni per assistere al primo reale ritorno sull’investimento in campi iperspecializzati (chimica e materiali avanzati), e 7–10 anni prima che abbiano un impatto pervasivo sulla sicurezza informatica globale e sull’intelligenza artificiale generica

I codici qLDPC (Quantum Low-Density Parity-Check) rappresentano la svolta architetturale che ha permesso di accorciare di quasi un decennio le stime per i computer quantistici commerciali.

Fino a poco tempo fa, il modello di riferimento per la correzione d’errore era il codice di superficie (Surface Code). Pur essendo robusto e basato su connettività geometrica solo tra primi vicini (2D), il codice di superficie ha un difetto critico: la sua efficienza di codifica è bassissima. Ha un tasso di codifica asintotico $k/n \to 0$, memorizzando 1 solo qubit logico ogni migliaio di qubit fisici. I codici qLDPC ribaltano questo bilancio.

1. Il problema matematico dei codici CSS e la condizione ortogonale

La correzione d’errore quantistica classica (stabilizer codes di tipo Calderbank-Shor-Steane, o CSS) usa due matrici binarie di controllo di parità: $H_X$ (per rilevare gli errori di tipo Pauli $Z$, dephasing) e $H_Z$ (per rilevare gli errori di tipo Pauli $X$, bit-flip).

Un codice quantistico è definito dal sottospazio comune con autovalore $+1$ di un insieme di operatori di Pauli commutanti. Affinché tutti gli stabilizzatori commutino, le matrici binarie devono soddisfare rigorosamente la condizione di ortogonalità simplettica:

$$H_X H_Z^T = 0 \pmod 2$$

Nel caso LDPC classico (usato quotidianamente nel Wi-Fi e nel 5G), le matrici $H$ hanno un numero ridotto e costante di $1$ per riga e per colonna (da cui Low-Density), il che garantisce algoritmi di decodifica rapidi come il belief propagation.

In ambito quantistico, progettare matrici sparse $H_X$ e $H_Z$ che soddisfino contemporaneamente la sparsità e il vincolo $H_X H_Z^T = 0 \pmod 2$, garantendo al contempo una distanza di codice $d$ elevata (la distanza minima di un errore non rilevabile), è stato un problema matematico aperto per oltre vent’anni.

2. La soluzione: Prodotti di sollevamento e codici bivariate biciclici (BB)

La svolta teorica recente (formalizzata da Panteleev e Kalachev con i codici asintoticamente buoni, e raffinata da IBM con i codici Bivariate Bicycle) sfrutta l’algebra dei moduli su anelli di polinomi.

Invece di lavorare su matrici disordinate, si definiscono due polinomi bivariati commutanti $A(x, y)$ e $B(x, y)$ sull’anello $\mathbb{F}_2[x, y] / \langle x^\ell – 1, y^m – 1 \rangle$:

$$H_X = [A \mid B], \quad H_Z = [B^T \mid A^T]$$

Calcolando il prodotto simplettico:

$$H_X H_Z^T = A B^T + B A^T \pmod 2$$

Poiché le matrici circolanti generate da polinomi a due variabili commutano sempre fra loro ($A B = B A \implies A B^T = B A^T$ in algebra binaria), la condizione quantistica:

$$H_X H_Z^T = 0 \pmod 2$$

è identicamente e automaticamente soddisfatta per costruzione. Questo ha permesso di sintetizzare codici a controllo di parità estremamente densi di qubit logici senza violare la meccanica quantistica.

3. Perché i codici qLDPC riducono drasticamente l’overhead di qubit

Il vantaggio pratico sui requisiti fisici è quantificabile confrontando i parametri cardine $[[n, k, d]]$ (dove $n$ = qubit fisici, $k$ = qubit logici, $d$ = distanza minima del codice, con capacità di correggere fino a $t = \lfloor (d-1)/2 \rfloor$ errori):

• Surface Code standard:
  • Parametri: $[[d^2 + (d-1)^2, 1, d]]$.
  • Per ottenere $d = 12$ servono circa 287 qubit fisici per proteggere un singolo qubit logico ($k=1$). Per avere 100 qubit logici servono circa $30.000$ qubit fisici.
• Codice qLDPC Bivariate Bicycle (es. codice IBM $[[144, 12, 12]]$):
  • Con appena 144 qubit fisici, il blocco memorizza contemporaneamente 12 qubit logici con una distanza di codice $d=12$.
  • Il rapporto è di appena 12 qubit fisici per qubit logico, con una riduzione dell’hardware fisico necessaria di un fattore $\approx 10\times \div 20\times$.

Questo significa che una macchina con $\sim 10.000$ qubit fisici, storicamente ritenuta capace di appena qualche decina di qubit logici protetti, con qLDPC può gestire tranquillamente centinaia di qubit logici ad alta fedeltà.

Confronto diretto: Surface Code vs qLDPC

Parametro Architetturale	Surface Code (2D)	Codici qLDPC (Bivariate Bicycle)
Efficienza di codifica ($k/n$)	Tende a $0$ all’aumentare della distanza	Costante finita o asintoticamente $> 0$
Topologia fisica richiesta	Reticolo planare 2D, connessioni solo ai 4 vicini	Richiede connessioni a lungo raggio / multistrato
Complessità di cablaggio	Molto bassa (linee planari standard)	Elevata (interconnessioni non planari, via aeree o ottiche)
Gate logici trasversali	Semplici tramite lattice surgery	Più complessi; richiedono permutazioni o circuiti d’ancilla
Requisito qubit fisici per 100 logici	$30.000 \div 50.000$ qubit	$1.000 \div 2.500$ qubit

4. La sfida ingegneristica residua: Il superamento della connettività 2D

Il motivo per cui i codici qLDPC non sono stati adottati fin dall’inizio risiede nel celebre teorema di Bravyi-Poulin-Terhal (BPT):

In un reticolo geometrico euclideo a due dimensioni (2D) con interazioni limitate a raggio finito, qualsiasi codice stabilizzatore quantistico locale è vincolato dalla disuguaglianza $k d^2 \le c \cdot n$.

Per ottenere un codice ad alta distanza e alto tasso di codifica (come i qLDPC), è obbligatorio violare l’ipotesi di località 2D. In termini ingegneristici, ogni qubit deve potersi accoppiare non solo con i 4 qubit adiacenti sul wafer, ma anche con qubit distanti decine di millimetri o situati in altri blocchi.

È qui che entra in gioco l’innovazione hardware recente:

• Interconnessioni verticali 3D (Through-Silicon Vias – TSV): Disposizione su chip multistrato criogenici dove le linee di controllo viaggiano verticalmente.
• Accoppiatori a lungo raggio: Linee di trasmissione a microonde superconduttrici coassiali o risonatori a bus che scavalcano il reticolo planare.

Risolvendo l’ingegneria del cablaggio non locale, i codici qLDPC consentono ad architetture con meno di $100.000$ qubit fisici di raggiungere le prestazioni logiche che in precedenza richiedevano teoricamente oltre un milione di componenti fisici.

Come vengono eseguiti i gate logici (es. CNOT o T-gate) sui codici qLDPC?

Nei codici di superficie bidimensionali, le operazioni logiche si eseguono principalmente tramite la lattice surgery (fusione e taglio dei bordi del reticolo). Nei codici qLDPC, dove lo spazio non è un reticolo planare locale ma un grafo a connettività espansa, la manipolazione degli stati logici richiede strategie algebriche e topologiche differenti.

Il calcolo quantistico universale impone di applicare due insiemi di trasformazioni:

1. Il gruppo di Clifford (generato da porte $H$, $S$ e $\text{CNOT}$), necessario per la manipolazione degli stati di base e la propagazione degli errori.
2. Almeno una porta non-Clifford (tipicamente la porta $T = \text{diag}(1, e^{i\pi/4})$), indispensabile per superare il teorema di Gottesman-Knill e abilitare il vantaggio computazionale.

1. Il Vincolo Fondamentale: Il Teorema di Eastin-Knill

Qualsiasi architettura a correzione d’errore deve confrontarsi con il teorema di Eastin-Knill:

Nessun codice quantistico a correzione d’errore che protegga da errori locali può ammettere un insieme universale di porte logiche implementabili interamente tramite operatori trasversali.

Una porta è trasversale se agisce qubit fisico per qubit fisico (o a blocchi disgiunti) in parallelo, per esempio $U_{\text{log}} = \bigotimes_{i=1}^n U_i$. Le porte trasversali sono ideali per la tolleranza al guasto: per costruzione, impediscono a un singolo errore fisico su un qubit di propagarsi a valanga ad altri qubit dello stesso blocco di codice.

Dato che l’universalità trasversale è vietata, i codici qLDPC adottano un approccio biforcato: implementano le porte di Clifford mediante permutazioni e misure di parità, e relegano le porte non-Clifford a protocolli di iniezione di stati magici.

2. Implementazione delle Porte di Clifford nei Codici qLDPC

Nei codici qLDPC (come i Bivariate Bicycle di IBM), $k$ qubit logici risiedono contemporaneamente nello stesso blocco fisico. I gate logici di Clifford sfruttano la struttura algebrica dei polinomi generatori:

• Porte Trasversali Intra-Blocco e Inter-Blocco:
  • La porta logica $\text{CNOT}$ tra due blocchi identici $A$ e $B$ è banale: basta applicare $n$ porte $\text{CNOT}$ fisiche trasversali a coppie tra il qubit $i$-esimo del blocco $A$ e il qubit $i$-esimo del blocco $B$.
  • Per applicare una $\text{CNOT}$ all’interno dello stesso blocco tra due dei suoi $k$ qubit logici, la trasversalità diretta non è sufficiente. Si ricorre agli automorfismi del grafo del codice: permutando i qubit fisici tramite shift ciclici (corrispondenti a moltiplicazioni per le variabili $x$ o $y$ nell’anello $\mathbb{F}_2[x,y]/\langle x^\ell-1, y^m-1\rangle$), si ottengono trasformazioni logiche non banali senza rompere gli stabilizzatori.
• Misura congiunta di Pauli (qLDPC Surgery):
  • Per collegare qubit logici arbitrari all’interno o tra blocchi diversi, si usa la misura congiunta di operatori di Pauli logici ($X_{\text{log}} \otimes X_{\text{log}}$ o $Z_{\text{log}} \otimes Z_{\text{log}}$).
  • Anziché unire fisicamente i confini planari come nella lattice surgery classica, nei qLDPC si attiva temporaneamente un piccolo set di qubit ancilla ausiliari interconnessi a lungo raggio che campionano la parità combinata degli operatori logici. Questa operazione proietta lo stato a due blocchi nello spazio entangled desiderato preservando la distanza minima $d$.

3. Porte non-Clifford: La Sintesi del T-Gate tramite “Magic States”

Poiché il $T$-gate non può essere trasversale, la tecnica standard è la teleportazione di porta basata su Magic State Injection:

           |ψ_log⟩ ───────■─────── Measure Z ───► (Esito s ∈ {0,1})
                          │                           │
  |T_log⟩ (Magic State) ──X─────── [ S^s ] ───────────┴──► T |ψ_log⟩

Per applicare un $T$-gate a un dato stato logico $\vert{}\psi_{\text{log}}\rangle$:

1. Si prepara offline uno stato ancillare speciale detto stato magico:$$\vert{}T\rangle = \cos\left(\frac{\pi}{8}\right)\vert{}0\rangle + \sin\left(\frac{\pi}{8}\right)\vert{}1\rangle = \frac{\vert{}0\rangle + e^{i\pi/4}\vert{}1\rangle}{\sqrt{2}}$$
2. Si esegue una porta $\text{CNOT}$ logica tra $\vert{}\psi_{\text{log}}\rangle$ e lo stato $\vert{}T_{\text{log}}\rangle$.
3. Si misura il primo qubit logico nella base $Z$. Se l’esito è $0$, il gate $T$ è applicato correttamente; se l’esito è $1$, si applica una correzione di fase logica di Clifford $S = \text{diag}(1, i)$ per completare la trasformazione.

4. La Sfida Cruciale: Magic State Distillation nei qLDPC

Lo stato magico $\vert{}T_{\text{log}}\rangle$ non può essere preparato direttamente privo di rumore: gli errori fisici iniziali producono uno stato con fedeltà imperfetta. Per purificarlo si usa la distillazione degli stati magici (Magic State Distillation, tipicamente il protocollo $15 \to 1$ di Bravyi-Kitaev).

Nei codici di superficie convenzionali, le “fabbriche di stati magici” (magic state factories) occupano fino al 90% di tutti i qubit fisici del computer quantistico, poiché per ogni stato purificato servono decine di blocchi dedicati.

Nei codici qLDPC, la distillazione diventa drasticamente più efficiente:

• Fabbriche ad alta densità: Sfruttando blocchi qLDPC a molti qubit logici ($k \gg 1$), si implementa la distillazione in modo compatto (es. protocolli $[[n, k, d]]$ con rapporti favorevoli), distillando decine di stati $\vert{}T\rangle$ in parallelo all’interno dello stesso ingombro hardware.
• Code Switching dinamico: In alcune architetture, la computazione e la memoria a lungo termine avvengono nei blocchi qLDPC, mentre la distillazione e l’iniezione avvengono convertendo temporaneamente i sottospazi verso codici 3D a gauge di colore (color codes) in cui il $T$-gate è eccezionalmente trasversale, per poi ritrasferire lo stato purificato nel blocco qLDPC.

Quadro di Sintesi delle Operazioni Logiche

Operazione Logica	Metodo nei Codici di Superficie	Metodo nei Codici qLDPC
$\text{CNOT}$ inter-blocco	Lattice Surgery planare (richiede corridoi fisici vuoti)	Trasversale diretta o misura di parità via ancille non locali
$\text{CNOT}$ intra-blocco	Non applicabile ($k=1$)	Automorfismi del grafo / permutazioni di coordinate polinomiali
Single-qubit Clifford ($H, S$)	Trasversali o rotazioni di frame classici	Trasversali combinate a shift di permutazione
Porta $T$ non-Clifford	Magic State Distillation (occupa ~90% del chip)	Distillazione a blocchi vettoriali qLDPC o gauge color code
Overhead complessivo per gate	Enorme impronta fisica bidimensionale	Bassa impronta di qubit; maggiore complessità nel routing dei segnali

Questo paradigma trasferisce la complessità dell’elaborazione dalla replicazione massiva di milioni di qubit fisici a un problema di routing coerente di segnali e switch logici, rendendo scalabile il calcolo fault-tolerant universale entro le dimensioni fisiche di un singolo criostato.