Quantum Machine Learning
Commissione europea – Horizon Europe · Unione europea
- Stato
- Scade il 28 gennaio 2027
- Apertura
- 2 giugno 2026
- Scadenza
- 28 gennaio 2027
- Agevolazione
- da 2.000.000 € a 3.000.000 €
- Dotazione complessiva
- 6 milioni di €
- Forma di aiuto
- HORIZON JU Research and Innovation Actions
- Territorio
- Unione europea (bando a gestione diretta)
- A chi è rivolto
- Università e ricerca, PMI, Grandi imprese, Enti pubblici
- Obiettivi
- Innovazione e ricerca, Energia e sostenibilità
- Ente
- Commissione europea – Horizon Europe
- Programma
- Horizon Europe
- Riferimento
- HORIZON-JU-EUROHPC-2026-QML-07-01
Vai alla pagina ufficiale del bando ↗
Testo italiano fornito dal portale europeo (traduzione automatica): in caso di dubbio fa fede la versione inglese.
Risultato atteso:
- Integrazione del calcolo quantistico nelle pipeline di pre-elaborazione dei dati e nei flussi di lavoro di apprendimento per attività pesanti o computazionalmente intensive, dimostrando chiari miglioramenti nella velocità di elaborazione, nella complessità computazionale, nell'accuratezza della modellazione e nella riduzione dei requisiti di campionamento su scale ottenibili con i dispositivi dell'era NISQ,
- Modelli e algoritmi di Quantum Machine Learning (QML) affidabili e scalabili, integrati con i framework e le pipeline di IA esistenti, che consentono un'elaborazione dei dati più rapida, una maggiore accuratezza delle previsioni e capacità computazionali migliorate,
- metodi di IA quantistici convalidati che dimostrano miglioramenti misurabili rispetto alle linee di base classiche in termini di velocità, accuratezza, efficienza dei dati, complessità o scalabilità, supportati da rigorosi parametri di riferimento e analisi della complessità;
- Tecniche QML robuste e sensibili al rumore adatte all'hardware NISQ, comprese strategie di mitigazione degli errori e adattamenti algoritmici che migliorano l'affidabilità, le prestazioni e la riproducibilità su processori quantistici reali,
- Dimostratori o applicazioni proof-of-concept che mostrano la rilevanza del QML per le sfide del mondo reale (ad esempio modellizzazione climatica e ambientale, osservazione della Terra, sanità e scienze della vita, scoperta di materiali, finanza, robotica, produzione e cibersicurezza),
- Rafforzare la leadership europea e la sovranità tecnologica nel calcolo quantistico e nell'IA affidabile, con il sostegno della collaborazione intersettoriale, del trasferimento di conoscenze e dei contributi alle norme, ai parametri di riferimento e alle migliori pratiche emergenti.
- Maggiore collaborazione tra i settori dell'informatica quantistica, dell'apprendimento automatico e delle applicazioni, promuovendo una comunità europea coordinata di ricerca e innovazione in materia di QML.
Ambito di applicazione
Le proposte dovrebbero affrontare molteplici direzioni di ricerca chiave nel Quantum Machine Learning (QML), mirando sia all'eccellenza scientifica che alla rilevanza industriale. Le proposte dovrebbero delineare chiaramente come contribuire allo sviluppo, alla convalida e alla dimostrazione di approcci quantistici all'IA, con percorsi chiari verso applicazioni pratiche. Il lavoro proposto dovrebbe rafforzare le capacità scientifiche e tecnologiche dell'Europa nel calcolo quantistico e accelerare l'adozione industriale di soluzioni di IA potenziate dal punto di vista quantistico.
Le attività possono includere, ma non sono limitate a
- progettazione e analisi di algoritmi QML quantistici, di ispirazione quantistica o ibridi,
- la modellizzazione delle prestazioni, l'analisi della complessità e l'analisi comparativa dei metodi di IA potenziati dal punto di vista quantistico,
- sviluppo di strategie di mitigazione degli errori e di noise-aware su misura per i carichi di lavoro QML,
Le proposte dovrebbero far avanzare algoritmi QML scalabili in grado di affrontare problemi su larga scala e computazionalmente intensivi, questo include approcci che
- in grado di gestire enormi volumi di dati e complesse attività computazionali,
- consentire un'elaborazione dei dati più rapida e migliori prestazioni predittive nei settori applicativi pertinenti (ad esempio ricerca idrologica, modellizzazione climatica, classificazione del terreno dal telerilevamento satellitare, scoperta di farmaci e diagnosi medica basata su immagini).
Molti metodi QML attuali rimangono strettamente ispirati agli algoritmi classici e quindi non raggiungono ancora un autentico vantaggio quantistico, richiedendo ulteriori sviluppi nel campo dell'ingegneria quantistica.
- modelli di apprendimento quantistico-nativo,
- kernel quantistici efficienti e mappature quantistiche delle caratteristiche,
- algoritmi che dimostrano vantaggi dimostrabili o empirici rispetto agli approcci classici.
Le proposte possono anche includere analisi formali della complessità, l'identificazione di classi di problemi che possono beneficiare dell'accelerazione quantistica.
Gli sviluppi dovrebbero riguardare molteplici delle seguenti direzioni chiave di ricerca:
Apprendimento supervisionato quantistico (QSL):
Quantum Supervised Learning indaga su come gli algoritmi quantistici possano accelerare o migliorare la formazione di modelli di apprendimento supervisionati, offrendo nuove opportunità per esplorare le teorie dell'apprendimento quantistico-classico e consentendo all'industria di abbreviare i cicli di sviluppo e migliorare le prestazioni in settori ad alta intensità di dati come la finanza, l'assistenza sanitaria e l'osservazione della Terra. L'integrazione di QSL nelle pipeline esistenti può aiutare a superare i colli di bottiglia computazionali e consentire un'elaborazione più efficiente dei dati ad alta dimensione
- Le proposte dovrebbero esplorare algoritmi quantistici e subroutine quantistiche che possono essere integrati nelle classiche pipeline di IA per mitigare i colli di bottiglia computazionali, migliorare l'efficienza in impostazioni ad alta dimensione o su larga scala e fornire miglioramenti misurabili delle prestazioni. Le attività dovrebbero includere lo sviluppo e la convalida di tali metodi, con dimostrazioni nei pertinenti casi d'uso accademici o industriali.
Reti neurali convoluzionali quantistiche (QCNN)
Le reti neurali convoluzionali quantistiche combinano i punti di forza concettuali delle architetture convoluzionali classiche con i vantaggi computazionali dell'elaborazione quantistica, offrendo un banco di prova promettente per esplorare l'espressività e l'efficienza nei modelli ibridi e fornendo all'industria un percorso pratico verso il vantaggio quantistico a breve termine utilizzando le QPU durante l'allenamento, pur mantenendo l'inferenza classica per la scalabilità e la compatibilità con i sistemi di IA esistenti.
- Le proposte
Fonte: Funding & Tenders Portal – Commissione europea, dataset «Calls for proposals», licenza CC BY 4.0. Scheda rielaborata da BandiTeLoDico (sintesi e classificazione); ultimo aggiornamento della fonte: 4 novembre 2026. Le informazioni hanno scopo orientativo: fanno fede esclusivamente i documenti ufficiali del bando.