Attributed-graphs kernel implementation using local detuning of neutral-atoms Rydberg Hamiltonian

Questo lavoro presenta un'implementazione di kernel su grafi attribuiti su processori quantistici a atomi neutri, che combina l'incorporamento delle caratteristiche dei nodi tramite disaccordamento locale, l'uso di osservabili locali per il kernel GDQC e tecniche di pooling temporale, dimostrando sperimentalmente come tale approccio superi le prestazioni dei metodi classici su dataset molecolari.

L'essenziale

Immagina di dover insegnare a un computer a riconoscere la differenza tra due molecole chimiche, come se fossero due ricette di cucina diverse. Il problema è che queste "ricette" non sono liste di ingredienti in fila, ma strutture complesse dove ogni ingrediente (atomo) è collegato ad altri in modo specifico (legami chimici). Per un computer classico, confrontare queste strutture è come cercare di trovare due libri identici in una biblioteca infinita, solo che le pagine sono mescolate e le parole sono scritte in un codice segreto.

Questo articolo descrive un nuovo metodo per risolvere questo problema usando un computer quantistico speciale, fatto di atomi di rubidio sospesi nel vuoto (chiamati "atomi neutri"). Ecco come funziona, spiegato con metafore semplici:

1. La Scacchiera Magica (L'Hardware)

Immagina di avere una scacchiera tridimensionale dove ogni casella può ospitare un atomo. Invece di muovere i pezzi come negli scacchi, questi atomi possono essere "eccitati" e trasformarsi in qualcosa di speciale chiamato atomo di Rydberg. Quando sono in questo stato, si comportano come magneti enormi: se due atomi sono vicini, si "sentono" e si influenzano a vicenda, ma se sono lontani, non si accorgono nemmeno l'uno dell'altro. Questo è il cuore del computer quantistico usato in questo studio.

2. Disegnare la Molecola sugli Atomi (L'Inserimento dei Dati)

Per far capire al computer qual è la molecola da analizzare, gli autori fanno una cosa geniale: trasformano la molecola nella scacchiera stessa.

• I Legami (Bordi): Se due atomi nella molecola sono legati chimicamente, posizionano due atomi di Rydberg vicini nella scacchiera. Più sono vicini, più forte è la loro "connessione" quantistica.
• Gli Atomi (Nodi): Qui arriva la novità. Ogni atomo nella molecola ha un "peso" diverso (es. Carbonio è leggero, Ossigeno è più pesante). Gli autori usano un trucco chiamato disaccordo locale (local detuning). Immagina di avere un interruttore per ogni atomo sulla scacchiera. Se l'atomo è un Carbonio, l'interruttore è spento. Se è un Ossigeno, l'interruttore è leggermente acceso. Questo "disaccordo" dice al computer: "Ehi, questo atomo è speciale, non è come gli altri!".

3. La Danza Quantistica (L'Evoluzione)

Una volta impostata la scacchiera, lasciano che il sistema "danza" per un brevissimo istante. Gli atomi iniziano a interagire, a saltare da uno stato all'altro e a influenzarsi a vicenda. È come se lasciassi cadere un sasso in uno stagno: le onde che si creano dipendono esattamente dalla forma dello stagno e da dove hai lanciato il sasso.
Dopo questa danza, misurano cosa è successo: quanti atomi sono rimasti eccitati? Come si sono influenzati a vicenda? Queste misurazioni sono come l'"impronta digitale" della molecola.

4. Due Modi per Confrontare le Impronte (I Kernels)

Il paper propone due modi diversi per leggere queste impronte digitali e confrontare due molecole:

• Il Metodo "Globale" (QEK): Guarda la scacchiera dall'alto e conta quanti atomi sono eccitati in totale. È come dire: "Quante persone sono presenti alla festa?". Funziona bene, ma non ti dice chi sta ballando con chi.
• Il Metodo "Locale" (GDQC): Guarda le coppie di atomi vicini. Chiede: "L'atomo A e l'atomo B si stanno influenzando? E quanto sono lontani?". È come dire: "Chi sta ballando con chi e a che ritmo?". Questo metodo è più intelligente perché cattura i dettagli locali, proprio come un detective che osserva le interazioni tra le persone invece di contare solo la folla.

5. Il Trucco del "Pool" (Pooling)

C'è un ultimo segreto. Invece di guardare la danza solo per un secondo, gli autori guardano la danza in molti istanti diversi e poi uniscono tutte queste informazioni insieme (come fare una zuppa mescolando diversi ingredienti). Questo permette al computer di vedere dettagli che sarebbero invisibili guardando solo un singolo istante.

I Risultati: Cosa hanno scoperto?

Hanno testato questo metodo su due grandi database di molecole (una per vedere se sono cancerogene, l'altra se sono mutagene).

1. Funziona meglio con i dettagli: Quando hanno usato il "disaccordo locale" (il trucco per dire quale atomo è quale), il computer ha fatto meno errori. È come se avessero dato al detective non solo la foto del crimine, ma anche le descrizioni dei sospettati.
2. Vince il metodo locale: Il metodo che guarda le interazioni locali (GDQC) è stato molto potente, quasi quanto i migliori metodi classici usati oggi.
3. Il "Pool" fa la differenza: Unendo le informazioni di diversi momenti della danza, il sistema quantistico è riuscito a battere i computer classici tradizionali.

In sintesi

Gli autori hanno creato un modo per trasformare molecole complesse in una "danza" di atomi quantistici. Usando un computer quantistico reale (o simulato in modo molto realistico), hanno dimostrato che se si insegna al computer a notare le differenze tra gli atomi (non solo i legami), e se si guarda la danza per un po' di tempo unendo tutte le informazioni, si ottiene un sistema di intelligenza artificiale che è più bravo a riconoscere le molecole rispetto ai metodi classici.

È come passare da un'analisi che dice "questa ricetta ha 5 ingredienti" a una che dice "questa ricetta ha 5 ingredienti, ma il sale è stato aggiunto prima dello zucchero e la farina è di un tipo diverso", rendendo la ricetta molto più facile da riconoscere e classificare.

Sommario tecnico

Titolo: Implementazione del kernel per grafi attribuiti tramite sintonizzazione locale di Hamiltoniani di Rydberg per atomi neutri

Autore: Mehdi Djellabi, Matthias Hecker, Shaheen Acheche (Pasqal)
Data: 20 marzo 2026

---

1. Il Problema

I dati strutturati a grafo sono onnipresenti in campi come la chimica, l'analisi dei social media e lo studio dei programmi. Tuttavia, la loro metrica intrinseca (distanza del percorso più breve) è discreta e non euclidea, rendendo inadeguate le similitudini vettoriali classiche.
Sebbene misure combinatorie esatte (come l'isomorfismo di grafi) offrano una discriminazione perfetta, diventano computazionalmente proibitive per grafi di grandi dimensioni. Di conseguenza, il campo si è rivolto ai kernel di grafo, che mappano i grafi in spazi di Hilbert a riproduzioni di kernel.
La letteratura esistente sui kernel quantistici, in particolare quelli basati su dispositivi a atomi neutri (come il Quantum Evolution Kernel - QEK), si è concentrata prevalentemente su grafi non attribuiti (senza etichette sui nodi o sugli archi). Esiste un vuoto significativo negli strumenti quantistici per gestire grafi attribuiti, dove nodi e archi possiedono caratteristiche (es. tipo di atomo, massa, carica) cruciali per applicazioni reali come la previsione della tossicità molecolare. Inoltre, i metodi quantistici attuali spesso utilizzano osservabili globali che potrebbero non catturare sufficientemente le proprietà locali del grafo.

2. Metodologia

Gli autori propongono un'estensione del framework dei kernel quantistici su unità di elaborazione quantistica (QPU) a atomi neutri, sviluppata in tre direzioni principali:

A. Embedding di Grafi Attribuiti su Hamiltoniani di Rydberg

Il cuore dell'approccio è la mappatura di un grafo $G=(V, E, L)$ su un sistema fisico di atomi neutri:

• Struttura del Grafo (Archii): Le connessioni del grafo sono codificate nella posizione degli atomi. La distanza tra gli atomi determina la forza di accoppiamento di van der Waals ($J_{ij}$). Gli atomi vicini (archi esistenti) hanno un accoppiamento forte, mentre quelli lontani (nessun arco) hanno un accoppiamento trascurabile.
• Attributi dei Nodi (Caratteristiche): Per la prima volta, le caratteristiche dei nodi (in questo caso, le masse atomiche delle molecole) sono incorporate tramite la sintonizzazione locale (local detuning) $\delta_i$ dell'Hamiltoniano di Rydberg.
  • L'Hamiltoniano è definito come: $\hat{H} = \frac{1}{2}\sum J_{ij}\hat{n}_i\hat{n}_j + \hbar\sum (\frac{\Omega}{2}\hat{\sigma}^x_i - \delta_i\hat{n}_i)$.
  • La sintonizzazione $\delta_i$ viene scelta in funzione della massa dell'atomo $i$ rispetto al carbonio (l'elemento più abbondante), permettendo di distinguere atomi diversi anche se la struttura topologica è identica.
• Dinamica: Il sistema evolve nel tempo secondo l'equazione di Schrödinger. Vengono misurati osservabili quantistici a diversi istanti temporali.

B. Nuovi Kernel Quantistici

Oltre al classico QEK, viene introdotto un nuovo kernel:

1. Quantum Evolution Kernel (QEK): Utilizza osservabili globali, specificamente la distribuzione di probabilità del numero di eccitazioni ($P_k(t)$).
2. Generalized-Distance Quantum-Correlation (GDQC) Kernel: Un nuovo kernel basato su osservabili locali.
   • Utilizza la matrice di correlazione $C_{ij}(t) = \langle \hat{n}_i \hat{n}_j \rangle$ combinata con la distanza del grafo (percorso più breve) tra i nodi.
   • I dati vengono "binnati" (suddivisi in intervalli) in base ai valori di correlazione e alla distanza, creando un vettore di caratteristiche che cattura sia la topologia che le correlazioni quantistiche locali.
   • Questo approccio è ispirato al kernel classico GD-WL (Generalized-Distance Weisfeiler-Lehman).

C. Pooling Temporale

Invece di limitarsi a un singolo istante temporale, gli autori combinano le informazioni ottenute da osservabili misurati a più stadi dell'evoluzione quantistica. Vengono testate due strategie di pooling:

• Sum Pooling: Somma ponderata dei kernel calcolati a diversi tempi.
• Product Pooling: Prodotto punto per punto dei kernel.
  Questo permette di aggregare informazioni da diverse scale temporali, aumentando l'espressività del modello.

3. Contributi Chiave

1. Embedding di Nodi Attribuiti: Dimostrazione teorica ed empirica che l'uso della sintonizzazione locale per codificare le caratteristiche dei nodi rende il kernel significativamente più espressivo rispetto all'uso di un detuning globale (che ignora gli attributi).
2. Introduzione del Kernel GDQC: Sviluppo di un kernel basato su osservabili locali (matrice di correlazione) che supera le limitazioni dei kernel globali nel catturare proprietà locali, mantenendo l'invarianza rispetto all'isomorfismo.
3. Miglioramento tramite Pooling: Dimostrazione che la combinazione di informazioni da più istanti temporali tramite operazioni di pooling migliora drasticamente le prestazioni, permettendo ai kernel quantistici di superare i migliori algoritmi classici.
4. Validazione su Dataset Reali: Applicazione estensiva su due dataset benchmark di chimica computazionale: MUTAG (composti aromatici mutageni) e PTC_FM (tossicità su topi femmina), riducendo i dataset solo a molecole ammissibili per l'embedding 2D.

4. Risultati

Gli esperimenti sono stati condotti tramite simulazioni su larga scala utilizzando librerie open-source (Pulser, EMU-MPS) e confrontando i risultati con un Support Vector Machine (SVM) addestrato su vari kernel.

• Confronto con Baseline Classiche:
  • I kernel quantistici (QEK e GDQC) senza pooling hanno prestazioni competitive con i migliori kernel classici (es. Random Walk, Weisfeiler-Lehman Optimal Assignment).
  • In particolare, l'uso di nodi attribuiti (local detuning) ha portato a un miglioramento delle prestazioni rispetto alla versione non attribuita.
• Impatto del Pooling:
  • L'aggiunta del pooling temporale ha portato a un aumento significativo dell'accuratezza (F1 score).
  • MUTAG: Il modello GDQC con pooling ha raggiunto un F1 score di 90.83%, superando le baseline classiche (max ~86.88%).
  • PTC_FM: Il modello QEK con pooling ha raggiunto un F1 score di 69.55%, superando le baseline classiche (max ~63.40%).
• Espressività: L'analisi del rango della matrice di Gram ha mostrato che l'embedding con detuning locale e il kernel GDQC generano spazi di caratteristiche più ricchi e distinguibili rispetto alle versioni globali o non attribuite.

5. Significato e Prospettive

Questo lavoro rappresenta un passo avanti significativo nel Machine Learning sui Grafi potenziato dal Quantum (Quantum Graph ML):

• Superamento dei Limiti Attuali: Dimostra che i dispositivi a atomi neutri possono gestire efficacemente grafi attribuiti, un requisito fondamentale per applicazioni chimiche e biologiche reali.
• Vantaggio Empirico: Sebbene non offra un vantaggio asintotico di velocità rispetto agli algoritmi classici (la complessità è ancora legata al numero di shot e alla dimensione del grafo), dimostra un vantaggio empirico in termini di accuratezza predittiva su dataset reali quando si utilizzano le strategie di pooling e l'embedding corretto.
• Nuova Direzione: L'uso di osservabili locali (GDQC) e la loro combinazione con la topologia del grafo apre nuove strade per progettare kernel quantistici più sofisticati, superando la dipendenza esclusiva da osservabili globali.
• Futuro: Il lavoro suggerisce che l'ottimizzazione degli iperparametri (come la scala del detuning e la risoluzione del binning) è cruciale e merita ulteriori studi per massimizzare il potenziale dei QPU a atomi neutri.

In sintesi, il paper valida l'efficacia dei kernel quantistici su hardware reale (simulato) per problemi di classificazione di grafi complessi, fornendo una metodologia robusta per incorporare informazioni semantiche (attributi) direttamente nella dinamica quantistica.