Quantum Circuit Generation via test-time learning with large language models

Titolo: Generazione di circuiti quantistici tramite apprendimento a tempo di test con grandi modelli linguistici (LLM)

Autori: Adriano Macarone-Palmieri e Rosario Lo Franco (Università di Palermo)

---

1. Il Problema

La sintesi di circuiti quantistici ottimali è una sfida fondamentale nell'informatica quantistica. I modelli linguistici di grandi dimensioni (LLM) hanno dimostrato capacità di generare artefatti strutturati (codice, formule chimiche), ma la loro applicazione diretta alla progettazione scientifica è limitata dal fatto che sono generatori stocastici di sequenze.
Il problema centrale è come trasformare gli LLM in ottimizzatori affidabili per la progettazione scientifica senza richiedere un addestramento (fine-tuning) su dataset specifici, che sarebbero costosi o scarsi. In particolare, la sintesi di circuiti per massimizzare l'entanglement globale su un numero significativo di qubit (20-25) richiede un processo di raffinamento iterativo sotto valutazione "black-box", dove l'LLM deve correggere i propri errori basandosi su feedback esterni.

2. Metodologia

Gli autori formulano la sintesi del circuito quantistico come un problema di ottimizzazione a tempo di test (test-time optimization). L'approccio non richiede l'addestramento del modello, ma sfrutta la sua capacità di ragionamento durante l'inferenza.

A. Rappresentazione e Vincoli

• Circuiti: I circuiti sono rappresentati come liste di gate (stringhe di testo).
• Set di Gate: Per mantenere lo spazio di ricerca gestibile e fisicamente realistico, vengono utilizzati solo gate discreti: CNOT, H (Hadamard) e RY (rotazione Y).
• Angoli: Gli angoli per il gate RY sono fissati a un sottoinsieme discreto (es. $\{3, 7, 25\}$ o $\{0.1, 0.42, 1.0\}$) per evitare parametri continui che espanderebbero eccessivamente lo spazio di ricerca.
• Vincoli: Il modello deve modificare il circuito esistente senza aggiungere o rimuovere gate, mantenendo la lunghezza fissa della lista.

B. Metrica di Valutazione: Entanglement Globale di Meyer-Wallach (MW)

L'obiettivo è massimizzare la metrica di entanglement globale di Meyer-Wallach ($Q(\psi)$), definita come:
$$Q(\psi) = \frac{4}{N} \sum_{i=1}^{N} (1 - \text{Tr}[\rho_i^2])$$
dove $\rho_i$ è la matrice densità ridotta del qubit $i$.

• $Q(\psi) = 1$ indica uno stato massimamente entangled (es. stato GHZ).
• $Q(\psi) = 0$ indica uno stato completamente separabile.
  Questa metrica è scelta perché è invariante per permutazione, accessibile sperimentalmente e fornisce un segnale di feedback denso e chiaro.

C. Strategia di Apprendimento a Tempo di Test

L'approccio proposto combina tre elementi chiave per guidare l'LLM:

1. Memoria Episodica (Cheatsheet Dinamica): Il modello riutilizza i candidati che hanno ottenuto punteggi elevati nelle iterazioni precedenti come traccia di memoria esplicita nel prompt.
2. Feedback basato sulla Differenza di Punteggio: Il prompt include un feedback testuale che quantifica il miglioramento o il peggioramento rispetto all'iterazione precedente (es. "Hai ottenuto un miglioramento di $\pm \Delta$"). Questo agisce come un segnale di ricompensa/penalità, simile al Reinforcement Learning.
3. Riavvio dal Migliore (Restart-from-Best): Per evitare di rimanere bloccati in minimi locali o plateau, il processo viene riavviato più volte utilizzando il miglior circuito trovato finora come nuovo punto di partenza.

3. Risultati Chiave

A. Configurazione a 20 Qubit (Senza Feedback)

• Utilizzando il modello GPT-5.1 senza feedback esplicito, il sistema ha dimostrato la fattibilità dell'approccio ma con un tasso di successo limitato.
• Il modello è riuscito a migliorare i circuiti casuali iniziali, raggiungendo in alcuni casi punteggi MW perfetti (es. con 35 gate), ma la probabilità di ottenere $Q(\psi) > 0.8$ era bassa ($\sim 10\%$).
• Questo ha evidenziato che il semplice prompting non è sufficiente per garantire prestazioni elevate su problemi complessi.

B. Configurazione a 25 Qubit (Con Feedback e Riavvio)

• Passando a 25 qubit, l'approccio "naive" (senza feedback) ha mostrato un plateau significativo intorno a $Q(\psi) \approx 0.48$.
• L'introduzione del feedback e della strategia restart-from-best ha risolto il problema del plateau.
• Performance: Con GPT-5.2, il sistema ha raggiunto con successo stati ad altissimo entanglement ($Q(\psi) \approx 0.99$ o 1.0) in molte delle 11 esecuzioni testate.
• Confronto con Baseline Classica: Un algoritmo di "hill-climbing" casuale classico, sottoposto allo stesso budget di valutazioni (45 run), è riuscito a raggiungere al massimo $Q(\psi) \approx 0.29$, dimostrando che l'LLM guidato dal feedback esplora lo spazio delle soluzioni in modo molto più efficiente.

C. Analisi Strutturale degli Stati Sintetizzati

• Le soluzioni ad alto punteggio tendono a somigliare a stati stabilizzatori o stati di tipo grafico (spesso composti da coppie di Bell e stati GHZ).
• In alcuni casi, il modello ha generato stati quasi-stabilizzatori utilizzando gate RY con angoli specifici, dimostrando la capacità di esplorare strutture non-Clifford.
• È stato notato che la connettività totale non è sempre garantita; il modello tende a creare strutture disconnesse ma altamente entangled localmente, riflettendo sia le proprietà della metrica MW che i vincoli imposti dal prompt.

4. Contributi Principali

1. Framework di Ottimizzazione Senza Addestramento: Dimostrazione che gli LLM possono essere utilizzati come motori di sintesi quantistica senza fine-tuning, sfruttando solo l'inferenza a tempo di test.
2. Ricetta di Apprendimento Leggera: Introduzione di una strategia pratica che combina memoria esplicita (riutilizzo dei migliori candidati), feedback testuale denso e riavvio strategico per superare i plateau di ottimizzazione.
3. Validazione su Scala Intermedia: Esecuzione di esperimenti su 20 e 25 qubit, una scala superiore rispetto alla maggior parte degli approcci precedenti basati su ML (spesso limitati a 4-9 qubit).
4. Analisi delle Limitazioni: Identificazione chiara dei limiti attuali, come la tendenza a rimanere bloccati in certi topologie di circuiti ("minimi locali") e la necessità di una selezione accurata degli obiettivi e della formulazione del problema.

5. Significato e Implicazioni

Questo lavoro posiziona gli LLM non solo come generatori di testo, ma come componenti attivi in sistemi di sintesi a ciclo chiuso per la scienza.

• Praticità: Offre una via percorribile per la progettazione assistita da AI in contesti dove i dataset di addestramento sono scarsi e l'addestramento di modelli su misura è proibitivo.
• Limiti e Futuro: Sebbene promettente, l'approccio rivela che la qualità della soluzione dipende fortemente dalla progettazione del prompt e dalla selezione della metrica. Il futuro lavoro dovrà concentrarsi su strategie per migliorare la connettività interna dei circuiti e sull'implementazione di memorie cumulative più sofisticate.

In sintesi, il paper dimostra che l'uso intelligente di feedback e memoria durante l'inferenza può trasformare un LLM generico in un potente ottimizzatore per la sintesi di circuiti quantistici, superando le capacità delle metodologie di campionamento casuale tradizionali.