In un contesto tecnologico in costante accelerazione, Lekton.AI amplia il proprio orizzonte strategico puntando su una delle frontiere più promettenti dell’innovazione: il Quantum Machine Learning (QML). Questa scelta nasce da una riflessione consapevole e adattiva rispetto alle trasformazioni in atto nell’ecosistema della ricerca e dello sviluppo avanzato, con l’obiettivo di rafforzare il posizionamento competitivo dell’azienda in ambiti ad altissimo valore scientifico e industriale.

 Architetture ibride e nuove direttrici di sviluppo

Il percorso intrapreso da Lekton.AI nel QML si fonda sulla volontà di esplorare architetture neurali quantistiche ibride, sia convoluzionali (Quantum CNN) sia generative (Quantum GAN), nonché sulla progettazione di nuovi algoritmi orientati al miglioramento dell’efficienza computazionale dei circuiti quantistici. Tra le direttrici principali figura anche l’indagine sulla scalabilità orizzontale delle risorse quantistiche attraverso l’accoppiamento di sistemi eterogenei, tema cruciale per rendere applicabili le tecnologie quantistiche a scenari reali e complessi.

Perché il Quantum Machine Learning

L’integrazione del QML nelle linee strategiche di Lekton.AI non era prevista nel piano iniziale. Tuttavia, la crescente maturità del settore e le opportunità offerte da applicazioni ad alta intensità computazionale, come l’ottimizzazione nei mercati finanziari e la modellazione in ambito tecnologico-industriale, hanno reso questa scelta non solo opportuna, ma necessaria. L’obiettivo è differenziare il posizionamento aziendale puntando su segmenti di mercato caratterizzati da forte domanda di innovazione radicale.

Ecosistema accademico e trasferimento tecnologico

Il nuovo orientamento è stato favorito dalla collaborazione con l’Università degli Studi di Siena, e in particolare con il dottorato in Fisica, che rappresenta per Lekton.AI una risorsa strategica. Il coinvolgimento di dottorandi e ricercatori esperti in calcolo quantistico, machine learning e fisica teorica consente di radicare i progetti su fondamenta scientifiche solide, aprendo la strada allo sviluppo di soluzioni realmente innovative e trasferibili.

Le piattaforme di riferimento: Qiskit e PennyLane

A supporto delle attività di ricerca, Lekton.AI ha selezionato le piattaforme Qiskit (IBM) e PennyLane (Xanadu) come ambienti di sviluppo principali. Entrambe offrono strumenti avanzati per la programmazione ibrida classico-quantistica, l’integrazione con hardware reali e simulatori, e il design di modelli personalizzati per reti neurali quantistiche, circuiti parametrizzati e tecniche di ottimizzazione su larga scala.

Verso un nuovo posizionamento

Con questa nuova linea di sviluppo, Lekton.AI si rivolge a un pubblico composto da enti di ricerca, istituzioni finanziarie e grandi aziende tecnologiche — soggetti dotati della struttura e delle risorse necessarie per accogliere soluzioni basate su Quantum Computing. Il Quantum Machine Learning, in questo contesto, si configura come una tecnologia abilitante destinata a trasformare interi paradigmi computazionali.

---

Codice e repository

La nostra ricerca sul QML non resta sulla carta. Parte del lavoro è pubblica e riproducibile sul nostro GitHub:

• qh_algorithms — confronto sperimentale rigoroso tra una CNN classica, una CNN ibrida quantistico-classica (HQCNN) e un riferimento puramente quantistico. La campagna usa repliche multi-seed (R = 10), intervalli di confidenza di Wilson, test di Wilcoxon appaiati e bootstrap per dare una misura onesta della variabilità tra architetture. Costruito con Qiskit e PennyLane sul dataset EuroSAT, include uno studio di resilienza al rumore su 4 qubit. Licenza MIT.
• QC-2025-26 — i notebook del nostro laboratorio di Quantum Computing: dalla libreria dei circuiti e la rappresentazione sulla sfera di Bloch fino agli algoritmi di Deutsch-Jozsa, Grover, Quantum Phase Estimation e Shor, con esecuzione su simulatore Aer e su hardware reale.

Una prima applicazione concreta di questo approccio — il confronto tra AI classica e AI quantistica — è raccontata nel nostro articolo sull’AI al servizio della diagnosi precoce della malattia di Parkinson.

Questi repository fanno parte del lavoro di ricerca legato alla tesi di dottorato “New Perspectives on Quantum Technologies: Progress on Quantum Sensing and Quantum Computation” (Università di Siena).