Simulare materiali quantistici così complessi da mettere in ginocchio i supercomputer più potenti al mondo sembrava un’impresa fuori portata. Eppure un nuovo algoritmo quantistico sviluppato dai ricercatori della Aalto University ha fatto esattamente questo, aprendo scenari che fino a poco tempo fa appartenevano alla fantascienza. Il team finlandese ha trovato il modo di simulare i cosiddetti quasicristalli, strutture quantistiche dalla complessità matematica spaventosa, con una velocità che lascia senza parole.

Per capire la portata della cosa, basta un numero: simulare un quasicristallo può richiedere l’elaborazione di oltre un quadrilione di valori numerici. Parliamo di una scala che va ben oltre le capacità di qualsiasi supercomputer attualmente esistente. L’algoritmo quantistico messo a punto dal gruppo guidato dal professor Jose Lado aggira il problema in modo elegante, riformulando l’intera sfida con tecniche ispirate al funzionamento dei computer quantistici. In pratica, anziché tentare un calcolo diretto della struttura completa del materiale, il sistema sfrutta le cosiddette reti tensoriali per codificare spazi computazionali esponenzialmente grandi. Il risultato? Un quasicristallo con oltre 268 milioni di siti simulato quasi istantaneamente.

Dai quasicristalli topologici ai qubit del futuro

Al centro della ricerca ci sono i quasicristalli topologici, materiali particolarissimi che ospitano eccitazioni quantistiche non convenzionali. Queste eccitazioni hanno una proprietà molto interessante: proteggono la conduttività elettrica dal rumore e dalle interferenze. Un dettaglio tutt’altro che trascurabile quando si pensa alle applicazioni pratiche, come l’elettronica a dissipazione zero, capace di condurre elettricità senza perdite di energia. In un’epoca in cui i data center per l’intelligenza artificiale divorano quantità enormi di energia, una tecnologia del genere potrebbe fare la differenza.

Lo studio, pubblicato su Physical Review Letters come Editor’s Suggestion, è stato condotto dal dottorando Tiago Antão insieme a Yitao Sun e Adolfo Fumega. La parte sperimentale vera e propria non c’è ancora, il lavoro resta per ora su base teorica e simulativa. Ma il passo successivo è già in vista: Lado ha spiegato che l’algoritmo quantistico potrà essere adattato per funzionare su hardware quantistico reale, non appena le macchine raggiungeranno la scala e la fedeltà necessarie. L’infrastruttura finlandese AaltoQ20 potrebbe giocare un ruolo chiave in questa fase.

Un circolo virtuoso tra materiali e algoritmi

C’è un aspetto che rende questa ricerca ancora più affascinante. Il professor Lado parla di un “ciclo di feedback produttivo” tra materiali quantistici e computer quantistici. In sostanza, gli algoritmi ispirati al quantum computing permettono di progettare nuovi materiali, che a loro volta serviranno a costruire computer quantistici migliori. È un circolo virtuoso, una spirale positiva che potrebbe accelerare enormemente lo sviluppo tecnologico del settore.

Il progetto rientra nel grant ERC Consolidator ULTRATWISTROICS di Lado, focalizzato sulla progettazione di qubit topologici con materiali van der Waals, e nel Centro di Eccellenza QMAT dedicato alle tecnologie quantistiche. Progettare e studiare materiali esotici potrebbe diventare una delle prime applicazioni davvero pratiche del quantum computing. E questo algoritmo quantistico, nato in un laboratorio di Helsinki, potrebbe essere il punto di partenza.

L'articolo Algoritmo quantistico risolve in secondi un problema ritenuto impossibile proviene da Tecnoapple.

Calcolare come gli atomi si comportano all’interno dei materiali è sempre stato un incubo computazionale. Ora THOR AI, un framework sviluppato dall’Università del New Mexico e dal Los Alamos National Laboratory, promette di cambiare radicalmente le regole del gioco. Quello che prima richiedeva settimane di elaborazione su supercomputer, oggi si risolve in una manciata di secondi. E no, non è un’esagerazione.

Il cuore della questione ruota attorno ai cosiddetti integrali configurazionali, calcoli matematici enormi che servono a prevedere le proprietà termodinamiche e meccaniche dei materiali. Per decenni, i ricercatori si sono affidati a tecniche indirette come le simulazioni Monte Carlo e la dinamica molecolare. Metodi validi, certo, ma lenti e approssimativi. Il problema di fondo ha un nome che suona quasi poetico: la “maledizione della dimensionalità”. In pratica, più variabili si aggiungono, più la complessità esplode in modo esponenziale. Anche i computer più potenti del pianeta faticano a tenere il passo.

Come funziona THOR AI e perché cambia tutto

THOR sta per Tensors for High-dimensional Object Representation. Il framework combina algoritmi basati su reti tensoriali con modelli di machine learning che descrivono le interazioni atomiche. Il trucco sta nel prendere un problema matematico mostruosamente grande e scomporlo in pezzi più piccoli e gestibili, attraverso una tecnica chiamata “tensor train cross interpolation”. In aggiunta, il sistema è in grado di riconoscere le simmetrie cristalline presenti nei materiali, riducendo drasticamente il carico computazionale.

Come ha spiegato Dimiter Petsev, professore di ingegneria chimica e biologica all’Università del New Mexico, risolvere direttamente l’integrale configurazionale era considerato praticamente impossibile. I metodi classici avrebbero richiesto tempi di calcolo superiori all’età dell’universo. THOR AI aggira questo ostacolo con un approccio che offre un nuovo standard di precisione ed efficienza.

Risultati concreti e prospettive future

Il team ha testato THOR AI su diversi sistemi: rame, argon cristallino sotto pressioni estreme, e la complessa transizione di fase solido/solido dello stagno. In tutti i casi, il framework ha replicato i risultati ottenuti con simulazioni avanzate del Los Alamos, ma con una velocità oltre 400 volte superiore. Non si tratta di una differenza marginale.

La flessibilità del sistema è un altro punto di forza notevole. THOR AI si integra senza problemi con i modelli atomici basati su machine learning, il che lo rende utilizzabile in condizioni fisiche molto diverse tra loro. I ricercatori sono convinti che possa diventare uno strumento prezioso per la scienza dei materiali, la fisica e la chimica.

Duc Truong, scienziato del Los Alamos e primo autore dello studio pubblicato su Physical Review Materials, ha definito il risultato un passo avanti rispetto a simulazioni e approssimazioni vecchie di cento anni. THOR AI, secondo il suo team, apre la strada a scoperte più rapide e a una comprensione più profonda della materia. Il progetto è già disponibile su GitHub per chi volesse esplorarlo.

L'articolo THOR AI risolve in pochi secondi un problema fisico vecchio di un secolo proviene da Tecnoapple.