Sintesi Tecnica: Un Framework per Valutare le Prestazioni degli Algoritmi Quantistici Variazionali

1. Definizione del Problema

Gli Algoritmi Quantistici Variazionali (VQA) sono un approccio principale per risolvere problemi di ottimizzazione combinatoria, specificamente l'Ottimizzazione Binaria Quadratica Non Vincolata (QUBO), su dispositivi NISQ (Noisy Intermediate-Scale Quantum). Tuttavia, il benchmarking dei VQA rimane complesso a causa della loro natura intrinsecamente stocastica e della mancanza di criteri di prestazione standardizzati. Gli studi esistenti spesso riportano metriche di singola esecuzione senza tenere esplicitamente conto della variabilità introdotta dai campionamenti (shots) finiti e dalle valutazioni di costo rumorose. Di conseguenza, non esiste un criterio universalmente accettato per classificare i VQA in base alla loro idoneità a risolvere specifiche istanze QUBO sotto vincoli di risorse.

2. Metodologia

Gli autori propongono un framework generale per valutare i VQA applicati a problemi QUBO. La metodologia si basa sull'interpretazione dei circuiti quantistici come distribuzioni di probabilità nello spazio binario e sulla caratterizzazione delle prestazioni dei VQA attraverso misure statistiche derivate da tali distribuzioni.

A. Framework Teorico

Il framework definisce un VQA come una tupla $VQA := (U, [C, s, A])$, composta da un ansatz ($U$), una funzione di costo ($C$), il numero di campionamenti ($s$) e un ottimizzatore classico ($A$). Le prestazioni sono visualizzate in un Diagramma di Qualità ($D \subset \mathbb{R}^2$), dove ogni punto rappresenta un'esecuzione di VQA definita da:

1. Consumo di Risorse Normalizzato: Il numero di valutazioni del circuito ($n_{calls}$) rispetto a un limite massimo ($n_{max}$).
2. Probabilità di Successo: La probabilità di misurare il minimo globale ($p_{min}$), trasformata come $1 - p_{min}$.

La soluzione ideale corrisponde al punto $(0,0)$, che rappresenta una singola chiamata di funzione con una probabilità di 1 per trovare il minimo globale. A causa della stocasticità, esecuzioni ripetute generano una distribuzione di punti ($\rho$) su $D$.

B. Tre Metriche Core

Il framework valuta i VQA utilizzando tre metriche complementari derivate dalla distribuzione $\rho$:

1. Feasibility (Fattibilità - $F$): La probabilità a priori che l'algoritmo riesca a trovare una soluzione con una $p_{min}$ superiore a una soglia predefinita ($p_{threshold}$). È calcolata come l'integrale della distribuzione $\rho$ sulla regione in cui $p_{min} \geq p_{threshold}$.
2. Quality (Qualità - $Q$): Un valore scalare che quantifica l'efficienza del processo di ricerca, bilanciando la probabilità di successo rispetto al consumo di risorse. È definita come il valore atteso di una funzione di qualità $q(n_{calls}, p_{min})$, che assegna qualità zero se $p_{min} < p_{threshold}$ e, altrimenti, calcola una distanza euclidea pesata dal punto ideale $(0,0)$.
3. Reproducibility (Riproducibilità - $R$): Una misura della certezza dei risultati, formalizzata tramite l'entropia di Shannon ($S[\rho]$). La riproducibilità è definita come $R[\rho] = 1 - \frac{S[\rho]}{S_{max}}$, dove un valore di 1 indica una distribuzione completamente concentrata (alta certezza) e 0 indica una diffusione uniforme (alta incertezza).

C. Criterio di Selezione

Il framework stabilisce un processo decisionale per la selezione dell'algoritmo basato su soglie $(F_0, Q_0, R_0)$. Un VQA è considerato un "risolutore ben adatto" solo se soddisfa sequenzialmente:

1. $F[\rho] \geq F_0$
2. $Q[\rho] \geq Q_0$
3. $R[\rho] \geq R_0$

3. Risultati Sperimentali

Come prova di concetto, gli autori hanno applicato il framework a un'istanza QUBO casuale a 16 qubit tramite simulazione. Hanno valutato molteplici configurazioni VQA variando il parametro CVaR ($\alpha \in \{0.15, 0.25, 0.50, 0.75, 1.00\}$) e il numero di campionamenti ($s \in \{1.000 \dots 100.000\}$), utilizzando l'ansatz RealAmplitudes e l'ottimizzatore COBYLA. Ogni configurazione è stata testata su 400 esecuzioni di ottimizzazione.

Risultati Chiave:

• Feasibility: La fattibilità è generalmente aumentata con valori di $\alpha$ più elevati e un maggior numero di campionamenti ($s$), raggiungendo infine la saturazione. Ad esempio, con $\alpha=1.00$, la fattibilità ha raggiunto 0.95 con $s=60.000$.
• Quality: Similmente alla fattibilità, la qualità è migliorata con $\alpha$ e $s$ più elevati. Tuttavia, è stata osservata una saturazione per la maggior parte dei casi oltre $s=20.000$, con l'eccezione di $\alpha=0.25$.
• Reproducibility: A differenza delle altre metriche, la riproducibilità è stata ampiamente insensibile alle variazioni di $s$ e $\alpha$. Valori inferiori di $\alpha$ e $s$ hanno occasionalmente prodotto una riproducibilità più elevata, probabilmente perché l'algoritmo terminava anticipatamente senza esplorare soluzioni diverse.
• Configurazioni Ottimali: In base ai criteri di selezione ($F_0=0.70, Q_0=1.20, R_0=0.60$), le configurazioni VQA più adatte sono state identificate come quelle con $\alpha$ più elevato (specificamente 0.75 e 1.00) e un maggior numero di campionamenti (compresi tra 10.000 e 100.000).

4. Contributi Principali

• Framework di Valutazione Unificato: Introduce una metodologia strutturata che combina fattibilità, qualità e riproducibilità per colmare il vuoto nel benchmarking sistematico dei VQA.
• Caratterizzazione Stocastica: Va oltre le metriche di singola esecuzione trattando le prestazioni del VQA come una distribuzione di probabilità, utilizzando l'entropia di Shannon per quantificare la riproducibilità.
• Diagramma di Qualità: Propone uno strumento visivo e matematico per catturare i compromessi tra probabilità di successo e consumo di risorse.
• Criterio Decisionale: Fornisce un processo di selezione formale basato su soglie per identificare le configurazioni ottimali dei VQA sotto vincoli di risorse.

5. Significato e Rivendicazioni

Gli autori affermano che questo lavoro contribuisce a un approccio fondato per confrontare i VQA nell'era NISQ. Tenendo esplicitamente conto della natura stocastica degli algoritmi variazionali, il framework consente una selezione più affidabile degli algoritmi nei flussi di lavoro ibridi quantistico-classici.

Il documento presenta i propri risultati con modestia, definendoli come una prova di concetto. Gli autori riconoscono i limiti, notando che l'analisi è stata limitata a una singola istanza QUBO, un singolo ansatz e un singolo ottimizzatore, tutti valutati tramite simulazione. Gli autori dichiarano che il framework fornisce una base per la ricerca futura, inclusa la validazione su hardware reale, l'esplorazione di diversi ansatz e lo sviluppo di criteri di selezione adattivi per problemi su larga scala. Non rivendicano l'immediata superiorità di algoritmi specifici su altri in ogni contesto, ma piuttosto l'utilità del framework nel identificare sistematicamente gli algoritmi con le migliori prestazioni per una data istanza di problema e un budget di risorse.