Il quantum computing entra con forza nel dibattito sulle tecnologie che potrebbero sostenere la crescita delle reti mobili di nuova generazione. L’avvicinarsi dell’era 6G e il costante aumento della complessità richiedono capacità di calcolo elevate e strumenti in grado di affrontare problemi oggi difficilmente gestibili con architetture tradizionali. Per questo motivo, Ericsson ha pubblicato un approfondimento articolato sulle applicazioni possibili e sui limiti attuali delle tecnologie quantistiche. Il vendor individua spazi di utilizzo mirati, soprattutto nei processi di ottimizzazione e nel machine learning che governa molte funzioni della rete.
L’analisi sottolinea che la fase attuale è dominata dai sistemi Nisq (Noisy Intermediate-Scale Quantum), con un numero ridotto di qubit e una tolleranza agli errori ancora insufficiente. Tuttavia, la combinazione di calcolo quantistico e soluzioni classiche apre nuovi scenari, soprattutto nelle funzioni intelligenti che sostengono la gestione dinamica delle infrastrutture mobili. Ericsson vede nel quantum computing un potenziale supporto selettivo, non un sostituto dei sistemi tradizionali. La chiave sarà la maturazione delle architetture multi-chip, che consentono di superare alcuni dei limiti strutturali dei dispositivi attuali.
Indice degli argomenti
I principi alla base delle applicazioni quantistiche
Il cuore dell’approccio quantistico resta la capacità dei qubit di trovarsi in più stati contemporaneamente. Questa proprietà consente di trattare alcune classi di problemi in modo più efficiente rispetto al calcolo classico. Ericsson evidenzia tre famiglie tecnologiche in grado di generare vantaggi per le reti mobili.
Gli algoritmi variazionali e il quantum annealing affrontano problemi di ottimizzazione difficili da trattare con la sola potenza di calcolo tradizionale. Questi metodi si adattano ai limiti dell’era Nisq, perché utilizzano circuiti a bassa profondità. Il vendor cita il caso della riduzione del Papr, un elemento cruciale per migliorare l’efficienza degli amplificatori di potenza nelle comunicazioni wireless. Secondo l’analisi, piccoli scenari di prova mostrano accelerazioni significative.
Il quantum machine learning aggiunge un ulteriore livello di possibilità. I modelli quantistici, grazie alla rappresentazione compatta dei dati, richiedono un numero inferiore di parametri. Ericsson ha sperimentato una quantum neural network applicata al controllo del tilt delle antenne. L’obiettivo è ridurre il peso del training offline, una fase lunga e costosa nelle reti attuali. La versione quantistica ha utilizzato venti volte meno parametri, mantenendo prestazioni paragonabili al modello classico.
Gli algoritmi “quantum-inspired”, infine, sfruttano alcune proprietà tipiche dei circuiti quantistici ma operano su hardware tradizionale. Le tecniche a tensor network risultano efficaci nei casi con basso livello di entanglement e diventano un supporto prezioso nei modelli ibridi.
I limiti strutturali dei sistemi Nisq
Ericsson dedica una parte importante dell’approfondimento alla fotografia dell’attuale stato dell’arte. I qubit superconduttivi garantiscono velocità elevata, ma soffrono di tempi di coerenza limitati. I sistemi fotonici operano a temperatura ambiente, ma richiedono rivelatori criogenici. Gli approcci a ioni intrappolati offrono stabilità, ma pongono sfide rilevanti di scalabilità. Nessuna tecnologia, osserva l’analisi, si distingue come opzione dominante.
Per superare questi limiti, la strada più promettente diventa l’architettura multi‑chip. I diversi processori quantistici comunicano tramite fotoni a microonde, che trasferiscono informazione tra i chip. Il processo migliora la profondità dei circuiti eseguibili e riduce l’impatto della decoerenza. Ericsson ha sperimentato anche l’uso di fotoni entangled per la sincronizzazione e il teletrasporto di stati quantistici. In parallelo, la codifica dei fotoni su diverse frequenze crea meccanismi di rilevazione degli errori utili a individuare la perdita di informazione durante la trasmissione.
I casi d’uso nelle reti mobili
I risultati delle simulazioni mostrano un quadro articolato. Nel dominio radio, il quantum computing offre vantaggi importanti solo in scenari limitati. La minimizzazione del Papr in sistemi 2×2 ha mostrato un’accelerazione fino a 29 volte rispetto a un solutore classico single-thread. La crescita del numero di qubit necessari aumenta però in modo esponenziale quando si ampliano antenne e portanti. Questo limite rende impraticabile l’applicazione diretta su reti reali nel breve periodo. Una dinamica simile riguarda la Mimo detection, dove l’embedding del problema sul processore quantistico rappresenta metà del tempo di calcolo totale.
Quadro diverso per le funzioni più legate al controllo e all’allocazione delle risorse. Nel Cloud Ran, l’assegnazione dei compiti computazionali e la gestione dei flussi verso le unità distribuite richiedono modelli complessi, ma la crescita delle variabili è più lineare. I sistemi ibridi quantistico-classici risultano particolarmente efficaci nel migliorare la qualità delle soluzioni. Ericsson osserva che il quantum computing aiuta ad aggirare i minimi locali, aumentando la capacità dei solutori classici di identificare configurazioni più efficienti.
Anche l’edge computing rappresenta uno scenario interessante. L’allocazione dei compiti verso i server distribuiti presenta molte variabili e richiede scelte dinamiche. Qui la combinazione tra Qaoa a bassa profondità e solutori tradizionali migliora la qualità delle soluzioni all’aumentare della complessità.
L’evoluzione delle architetture multi‑chip
Il percorso verso un quantum computing utile alle reti mobili passa per architetture distribuite. La possibilità di suddividere un circuito in sottoblocchi ed eseguirli su diversi chip migliora la robustezza dell’elaborazione. I fotoni generati da un processore vengono emessi con un profilo temporale controllato e riassorbiti dal processore ricevente. Ericsson considera questo meccanismo decisivo per superare i limiti dell’era Nisq.
La mappatura dei circuiti rappresenta l’altro tassello fondamentale. Le tecniche sviluppate dal vendor selezionano punti di taglio ottimali e regolano la comunicazione tra i chip in base ai tempi di coerenza e alle caratteristiche del canale quantistico. Questo approccio consente di eseguire calcoli più profondi mantenendo un livello elevato di fedeltà.
Il valore dei modelli ibridi
La combinazione di solutori classici e quantistici rappresenta la strategia più concreta nel breve-medio periodo. Ericsson traduce le funzioni di perdita dei modelli di machine learning in un problema Qubo, lo affida al quantum annealing e rielabora il risultato con metodi tradizionali. La procedura seleziona in modo efficace le caratteristiche più rilevanti e migliora la precisione delle soluzioni. Il vendor ha applicato questo schema anche al clustering e all’ottimizzazione dei task all’edge, ottenendo benefici crescenti con l’aumentare delle dimensioni del problema.
