Improved parameter initialization for the (local) unitary cluster Jastrow ansatz
Questo articolo propone due metodi di pre-elaborazione classici — la doppia fattorizzazione compressa e la simulazione di reti tensoriali approssimate — per migliorare l'inizializzazione dei parametri dell'ansatz Jastrow a cluster unitario, migliorando così significativamente l'accuratezza dell'energia degli algoritmi di chimica quantistica variazionale sia su hardware quantistico simulato che reale.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dall'autore. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nella ricerca di una comprensione di come la materia si comporti al suo livello più fondamentale, gli scienziati si sono affidati da tempo a potenti computer per simulare la danza degli elettroni all'interno di atomi e molecole. Per decenni, i supercomputer classici sono stati i motori di questo campo, risolvendo equazioni complesse per prevedere come le sostanze chimiche reagiscono o come i materiali conducono l'elettricità. Tuttavia, man mano che le molecole diventano più grandi e i loro elettroni più strettamente intrecciati, queste macchine classiche si scontrano con un muro. I calcoli diventano così vasti che anche i supercomputer più potenti non riescono a completarli in un tempo ragionevole. È qui che entrano in gioco i computer quantistici. A differenza dei loro omologhi classici, che elaborano informazioni in bit di zero o uno, i computer quantistici utilizzano bit quantistici, o qubit, che possono esistere in più stati contemporaneamente. Questa capacità unica permette loro di mimare direttamente il comportamento degli elettroni, offrendo una potenziale scorciatoia per risolvere problemi che sono attualmente impossibili. La sfida, tuttavia, è che i computer quantistici odierni sono ancora nella loro infanzia. Sono rumorosi, inclini agli errori e possono contenere solo un numero limitato di qubit prima che l'informazione si degradi. Per ottenere risultati utili da queste macchine fragili, i ricercatori devono progettare istruzioni speciali, note come algoritmi, che siano abbastanza brevi da essere eseguiti prima che il rumore prenda il sopravvento, ma abbastanza intelligenti da catturare la fisica essenziale del sistema chimico.
Uno studio recente condotto da ricercatori di IBM Quantum e istituzioni accademiche affronta proprio questo collo di bottiglia. Si sono concentrati su un tipo specifico di set di istruzioni progettato per la chimica chiamato local unitary cluster Jastrow, o ansatz LUCJ. Pensate a un ansatz come a un modello o un progetto per un circuito quantistico; è una struttura predefinita che il computer segue per preparare uno stato quantistico che rappresenti una molecola. Il modello LUCJ è popolare perché bilancia l'accuratezza fisica con i limiti hardware degli attuali dispositivi. Tradizionalmente, gli scienziati hanno riempito i dettagli di questo progetto prendendo numeri da un calcolo su computer classico noto come coupled cluster, singles and doubles, o CCSD. Questo metodo classico è un modo standard per approssimare l'energia molecolare, e i suoi risultati sono stati utilizzati per impostare i punti di partenza per il circuito quantistico. Il problema è che l'attuale hardware quantistico non può eseguire la versione completa e perfetta di questo progetto. Per far sì che il circuito si adatti a un dispositivo reale, i ricercatori devono tagliare via alcune parti, scartando molte interazioni per mantenere il circuito breve e semplice. Questo taglio necessario, tuttavia, scarta informazioni preziose, lasciando al computer quantistico un punto di partenza scarso che spesso porta a previsioni energetiche imprecise.
I ricercatori in questo studio hanno proposto due nuovi modi per correggere questo punto di partenza prima ancora che il computer quantistico si accenda. Il loro primo metodo prevede una tecnica chiamata compressed double factorization (fattorizzazione doppia compressa). Invece di tagliare semplicemente le parti extra del progetto e sperare nel meglio, hanno utilizzato una tecnica di compressione matematica per riorganizzare l'informazione. Immaginate di cercare di imballare una valigia grande e complessa per un viaggio; invece di buttare via semplicemente i vestiti che non entrano, piegate e riorganizzate con cura tutto in modo che gli articoli più importanti entrino perfettamente nello spazio più piccolo. Allo stesso modo, questo metodo prende l'intero set di dati dal calcolo classico e lo comprime in un set di istruzioni più piccolo ed efficiente che cattura comunque la fisica più critica. Hanno testato questo eseguendo simulazioni su sistemi con fino a 52 qubit e hanno scoperto che questo approccio compresso ha migliorato significativamente l'accuratezza delle stime dell'energia, superando spesso anche il progetto completo e non tagliato quando misurato in base a quanto bene campionava gli stati possibili della molecola.
Il secondo metodo introdotto è progettato specificamente per un tipo diverso di algoritmo quantistico che si basa sul campionamento piuttosto che sulla misurazione diretta. Questo approccio utilizza un computer classico per eseguire una simulazione sofisticata nota come rete tensoriale (tensor network), che funge da sostituto del computer quantistico. I ricercatori hanno utilizzato questa simulazione per generare migliaia di esiti campionati, calcolare l'energia e poi regolare le impostazioni del progetto per abbassare tale energia, il tutto senza toccare l'effettivo hardware quantistico. Questo processo, noto come ottimizzazione surrogata (surrogate optimization), permette loro di perfezionare i parametri iniziali finché non sono il meglio possibile prima che l'esperimento inizi. Quando hanno applicato questo metodo a sistemi in cui l'approssimazione classica iniziale era debole, i miglioramenti sono stati sostanziali. In un caso riguardante un cluster ferro-zolfo, un sistema in cui i metodi classici standard faticano a convergere, questa tecnica ha aiutato l'algoritmo quantistico a trovare una soluzione molto migliore di quella che avrebbe potuto trovare da solo.
Per dimostrare che questi metodi funzionassero nel mondo reale, il team ha portato i loro progetti migliorati su un processore quantistico superconduttore di IBM, una macchina con 156 qubit. Hanno testato l'approccio su due molecole diverse: il gas azoto e un dimero di formammide. Hanno confrontato le loro nuove impostazioni, accuratamente inizializzate, con un approccio in cui i parametri del circuito venivano semplicemente ridotti senza ottimizzazione, e contro una scelta casuale. I risultati sono stati chiari. Sull'hardware rumoroso, il metodo di inizializzazione compressa ha prodotto costantemente letture energetiche più accurate rispetto agli approcci casuali o non ottimizzati. Infatti, per la molecola di azoto, il metodo è stato così efficace da permettere al computer quantistico di estrarre un segnale chiaro dal rumore, mentre altri metodi faticavano a farlo. I ricercatori hanno osservato che, sebbene il rumore dell'hardware presentasse ancora sfide, in particolare per il sistema dell'azoto che ha un rapporto elettrone-orbitale difficile, i punti di partenza migliorati hanno fatto una differenza tangibile nella qualità dei dati raccolti.
Lo studio conclude che questi due metodi offrono una via pratica per utilizzare i computer quantistici odierni, ancora imperfetti, per risolvere problemi chimici. Preparando attentamente le impostazioni iniziali tramite la computazione classica, i ricercatori possono aggirare alcuni dei limiti dell'attuale hardware. La fattorizzazione doppia compressa assicura che l'informazione fisica più importante sia conservata anche quando il circuito viene accorciato, mentre l'ottimizzazione della rete tensoriale affina le impostazioni per gli algoritmi che si basano sul campionamento. Gli autori sottolineano che questi non sono rimedi magici che risolvono tutti i problemi, né sostituiscono la necessità di ulteriore ottimizzazione una volta che il computer quantistico è in funzione. Tuttavia, forniscono una base robusta che consente agli algoritmi quantistici variazionali di partire più vicini alla risposta corretta. Man mano che l'hardware quantistico continua a migliorare, queste tecniche per una migliore inizializzazione diventeranno probabilmente una parte standard dello strumento di lavoro, consentendo agli scienziati di affrontare molecole sempre più complesse e portando la promessa della chimica quantistica più vicina alla realtà.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.