IA · 13 luglio 2026 · 3 min di lettura
Il "side hustle" scientifico che unisce IA e calcolo quantistico per mappare i peptidi
In sintesi: Un team della Technical University of Denmark ha combinato un modello di intelligenza artificiale generativa con un computer quantistico compatto della startup ORCA Computing. L'esperimento, condotto nel tempo libero con fondi residui, ha dimostrato che l'approccio ibrido migliora nettamente l'accuratezza nella generazione di peptidi per vaccini e immunoterapie, in particolare quando i dati di addestramento sono scarsi o sbilanciati.
di Team Mocchi's
L'unione fa la forza: la convergenza tra IA generativa e calcolo quantistico
Mentre i colossi della Silicon Valley investono miliardi di dollari in enormi data center per l'addestramento dei modelli di frontiera, la vera innovazione metodologica talvolta prende forma nei laboratori universitari, grazie a iniziative nate "dal basso" e gestite con risorse flessibili. Come riportato in un recente approfondimento di Wired, un team di scienziati della Technical University of Denmark (DTU) ha dimostrato che l'integrazione del calcolo quantistico nei flussi di lavoro dell'intelligenza artificiale generativa può accelerare drasticamente la scoperta di nuovi farmaci e vaccini.
La ricerca si è concentrata sulla generazione di nuovi peptidi — brevi catene di amminoacidi che agiscono come "chiavi" biologiche capaci di legarsi a specifiche proteine bersaglio nel corpo umano, un passo fondamentale per lo sviluppo di immunoterapie mirate. Per raggiungere questo obiettivo, il team guidato dal professor Timothy Patrick Jenkins ha utilizzato un computer quantistico compatto (delle dimensioni di una stampante da ufficio) sviluppato dalla startup britannica ORCA Computing. Invece di affidarsi esclusivamente a supercomputer classici, i ricercatori hanno creato un sistema ibrido in cui l'unità di calcolo quantistico coadiuva l'IA tradizionale nell'esplorazione dello spazio molecolare.
Risolvere il collo di bottiglia dei "dati scarsi"
La vera svolta di questa sperimentazione risiede nel modo in cui l'hardware quantistico risponde a uno dei più grandi limiti dell'intelligenza artificiale contemporanea: la dipendenza da enormi moli di dati. Nel campo della medicina, i database genetici soffrono di un profondo sbilanciamento geografico ed etnico, essendo composti per la stragrande maggioranza da dati provenienti da popolazioni occidentali. Di conseguenza, addestrare modelli IA tradizionali per lo sviluppo di terapie efficaci su popolazioni sottorappresentate (come quelle asiatiche o africane) o per il trattamento di malattie rare è estremamente complesso a causa della scarsità di campioni.
I ricercatori del DTU hanno ipotizzato che l'algoritmo quantistico potesse superare questo ostacolo matematico. Sfruttando le proprietà di sovrapposizione e interferenza tipiche dei qubit, il sistema ibrido è stato in grado di generare combinazioni molecolari altamente diversificate e biologicamente plausibili anche partendo da dataset ridotti. I test di laboratorio hanno confermato l'intuizione: i peptidi generati dal sistema quantistico-ibrido hanno mostrato una stabilità e una capacità di legame con le proteine bersaglio nettamente superiore rispetto a quelli prodotti dai soli modelli classici, con i miglioramenti più marcati proprio nelle condizioni di maggiore scarsità di dati.
La via dell'ibrido e i limiti della tecnologia attuale
La tecnologia quantistica si trova ancora in una fase embrionale (la cosiddetta era NISQ, Noisy Intermediate-Scale Quantum), caratterizzata da macchine con un numero limitato di qubit e sensibili alle interferenze ambientali. Come spiegato dal dottorando Jonathan Funk, i computer quantistici attuali non sono ancora abbastanza potenti da poter modellare strutture complesse a grandezza naturale, come un intero anticorpo. Per questo motivo, l'esperimento si è concentrato su catene peptidiche più corte e gestibili.
Tuttavia, l'architettura utilizzata rappresenta una pietra miliare. La macchina di ORCA Computing si differenzia dai complessi sistemi criogenici di giganti come IBM o Google perché sfrutta la fotonica (impulsi di luce che viaggiano in fibre ottiche) per elaborare le informazioni a temperatura ambiente. Questo tipo di approccio permette di integrare facilmente il processore quantistico (QPU) all'interno di rack server tradizionali. La cooperazione dinamica tra calcolo classico e quantistico dimostra che non è necessario attendere la macchina quantistica perfetta del futuro per trarre benefici concreti; la chiave sta nell'ibridazione ingegneristica delle risorse già disponibili.
Il punto di Mocchi's
Questo esperimento offre uno spaccato illuminante su come si evolverà l'ingegneria del software nei prossimi anni. Per il tessuto imprenditoriale italiano, caratterizzato da aziende e startup ad alta specializzazione che spesso operano in mercati di nicchia, la lezione è fondamentale: il superamento del mito dei "big data" è possibile. Spesso l'adozione dell'IA viene frenata dalla convinzione di dover possedere database sterminati prima di poter addestrare un modello utile. Questa ricerca dimostra invece che l'orchestrazione intelligente di hardware specializzati e architetture ibride può compensare la scarsità informativa originaria. Progettare sistemi in grado di combinare modelli di machine learning tradizionali con motori di calcolo probabilistici o simulativi avanzati rappresenta oggi la vera frontiera per creare soluzioni software iper-personalizzate, efficienti e capaci di generare valore reale anche in contesti con risorse limitate.