🤖 machine learning

Investigating Quantum Circuit Designs Using Neuro-Evolution

Questo articolo introduce EXAQC, un framework neuro-evolutivo che automatizza la progettazione e l'addestramento di circuiti quantistici parametrizzati ottimizzando congiuntamente tipi di gate, connettività e parametri sotto vincoli hardware, raggiungendo un'elevata accuratezza e fedeltà su task di benchmark.

Autori originali: Devroop Kar, Daniel Krutz, Travis Desell

Pubblicato 2026-02-04

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Devroop Kar, Daniel Krutz, Travis Desell

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 dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di costruire una macchina complessa usando i mattoncini Lego per risolvere un puzzle specifico. Di solito, gli ingegneri devono progettare manualmente il progetto, decidendo esattamente dove va ogni mattoncino, quali colori usare e come collegarli. Se sbagliano, la macchina potrebbe essere troppo grande, troppo lenta o semplicemente non funzionare affatto.

Questo articolo introduce un nuovo modo per progettare queste "macchine", ma invece dei mattoncini Lego, usa dei circuiti quantistici (i progetti per i computer quantistici) e, invece di un ingegnere umano, usa un processo di evoluzione digitale.

Ecco la suddivisione del loro approccio, chiamato EXAQC, utilizzando analogie semplici:

1. Il Problema: L' "Architetto Cieco"

Progettare circuiti quantistici è incredibilmente difficile. Il numero di modi in cui si possono disporre le parti (porte/gate) e collegarle (fili) è astronomico.

Il Vecchio Modo: Gli esseri umani cercano di indovinare il design migliore o usano modelli rigidi. È come cercare di costruire una casa usando solo pareti pre-fatte e senza mai cambiare la pianta. Spesso non si adatta al problema specifico o all'hardware su cui deve girare.
Il Nuovo Modo (EXAQC): Inveve di un architetto umano, gli autori utilizzano un processo di "selezione naturale digitale". Lasciano che il computer "evolva" il miglior design del circuito nel tempo, proprio come la natura fa evolvere gli animali per sopravvivere nel loro ambiente.

2. Come Funziona l'Evoluzione: Il "Darwinismo Digitale"

I ricercatori hanno creato un sistema in cui i circuiti quantistici sono trattati come organismi viventi con un DNA (chiamato genoma).

Il DNA: Il "genoma" è un elenco di istruzioni che dice al computer quantistico quali porte usare, quali qubit (bit quantistici) collegare e in quale ordine.
Mutazione (Cambiamenti Casuali): Proprio come le mutazioni biologiche, il sistema cambia casualmente i circuiti. Potrebbe:
- Aggiungere una nuova porta (come aggiungere una nuova stanza a una casa).
- Disabilitare una porta (rimuovere una stanza inutile).
- Scambiare i fili (riorganizzare l'impianto idraulico).
- Riordinare i passaggi (cambiare la sequenza delle istruzioni).
Crossover (Incrocio): Il sistema prende due circuiti di successo e li "incrocia". Mescola il loro DNA per creare un figlio che sia sperato erediti le migliori caratteristiche di entrambi i genitori. Hanno persino inventato modi speciali per mescolare il DNA di quattro genitori contemporaneamente, non solo due.

3. L'Allenamento: "Imparare Facendo"

Una volta nato un nuovo circuito, deve dimostrare il suo valore. Il sistema lo testa in due modi principali:

Il Test del "Maestro" (Imitazione): Al computer viene dato un circuito "perfetto" (il maestro) e gli viene chiesto di copiarne il comportamento. Se il nuovo circuito agisce esattamente come il maestro, ottiene un punteggio alto. È come uno studente che cerca di imitare perfettamente la performance di un maestro pianista.
Il Test del "Quiz" (Classificazione): Al circuito viene dato un dataset standard (come classificare immagini di fiori o vini). Deve guardare i dati e fare una previsione. Se indovina correttamente, ottiene un punteggio alto. È come uno studente che sostiene un test a scelta multipla.

I circuiti che ottengono i punteggi più alti possono "riprodursi" e passare i loro geni alla generazione successiva. Quelli che falliscono vengono scartati. Nel corso di centinaia di generazioni, la popolazione di circuiti diventa più intelligente ed efficiente.

4. I Risultati: Cosa Hanno Scoperto?

Gli autori hanno eseguito questo processo evolutivo su diversi dataset del mondo reale (come il famoso dataset Iris e i dati sul cancro al seno) e su puzzle quantistici sintetici.

Punteggi Alti: I circuiti evoluti sono stati in grado di risolvere problemi di classificazione con un'accuratezza superiore al 90% nella maggior parte dei test.
Imitazione Perfetta: Quando gli è stato chiesto di copiare un circuito "maestro", i circuiti evoluti hanno raggiunto una fedeltà dal 98% al 100% (il che significa che erano quasi identici al target).
Design Sorprendenti: I circuiti non si sono limitati a copiare il maestro; a volte hanno trovato modi diversi per risolvere lo stesso problema. Ad esempio, per agire come una porta "identità" (che non fa nulla), un circuito evoluto ha usato una porta specifica due volte di seguito per annullarsi, mentre un altro ha usato un trucco completamente diverso. Questo dimostra che il sistema è creativo, non è solo un imitatore.

5. Perché Questo è Importante

L'articolo sostiene che questo metodo è potente perché:

È Flessibile: Funziona con diversi strumenti software (Qiskit e Pennylane), quindi non è legato a un marchio specifico di computer quantistico.
È Automatizzato: Non ha bisogno di un essere umano per decidere la struttura; il sistema capisce da solo la forma, la profondità e le connessioni migliori.
È Efficiente: Ha trovato buone soluzioni con un numero relativamente piccolo di tentativi (sono state testate solo 500 "generazioni" di circuiti nei loro esperimenti).

In breve: L'articolo presenta un simulatore di "sopravvivenza del più forte" che progetta automaticamente circuiti quantistici. Inveve di far indovinare agli umani il layout migliore, il computer prova migliaia di variazioni casuali, tiene quelle che funzionano meglio e le incrocia finché non crea una macchina quantistica altamente efficiente e capace di risolvere problemi.

Sintesi Tecnica: Investigazione di Design di Circuiti Quantistici tramite Neuro-Evoluzione

Problematica

La progettazione di Circuiti Quantistici Parametrizzati (PQC) efficaci rimane un collo di bottiglia significativo nel Quantum Machine Learning (QML). La struttura di un circuito quantistico — specificamente i tipi di gate, la connettività dei qubit, la parametrizzazione e la profondità — determina fondamentalmente la sua espressività, la addestrabilità e la robustezza al rumore. Gli approcci attuali si affidano pesantemente a template creati manualmente o euristiche fisse, che spesso non riescono a generalizzare su diversi task o vincoli hardware. Questi design statici possono soffrire di problemi quali barren plateaus, segnali di gradiente deboli o entanglement insufficiente. Sebbene la ricerca automatizzata della Quantum Neural Architecture (QNAS) esista, molti metodi esistenti sono limitati da spazi di ricerca superficiali, elevato overhead computazionale o una mancanza di flessibilità nel supportare diversi backend quantistici e funzioni obiettivo.

Metodologia: EXAQC

Gli autori propongono l'Evolutionary eXploration of Augmenting Quantum Circuits (EXAQC), un framework neuro-evolutivo per il design e l'addestramento automatizzato di circuiti quantistici. Ispirato agli algoritmi EXAMM ed EXA-GP, EXAQC tratta i circuiti quantistici come "genomi" mutabili che evolvono per ottimizzare simultaneamente sia la struttura che i parametri.

1. Rappresentazione del Genoma

A differenza delle rappresentazioni a dimensione fissa, EXAQC utilizza una lista illimitata di gate. Un genoma consiste di:

Identificatori di qubit di input e di output.
Una lista di gate, dove ogni gate include un valore di profondità ( $0.0 \le d \le 1.0$ ), connessioni di qubit di input/output, parametri addestrabili (se applicabili) e un numero di innovazione.
Il numero di innovazione permette al sistema di tracciare strutture omologhe attraverso diversi genomi, facilitando un crossover efficace.

2. Operatori Evolutivi

EXAQC impiega un approccio ibrido evolutivo-variazionale in cui i cambiamenti strutturali sono guidati dall'evoluzione, mentre i parametri sono ottimizzati tramite apprendimento basato sul gradiente (ottimizzatore Adam).

Operatori di Mutazione:
- Add Gate (Aggiunta Gate): Inserisce un nuovo gate a una profondità casuale, selezionando i qubit di input/output in base all'analisi della connettività per garantire che il gate contribuisca al calcolo.
- Enable/Disable Gate (Abilita/Disabilita Gate): Alterna l'attività di gate esistenti.
- Reorder Gate (Riordina Gate): Sposta un gate a una nuova profondità.
- Swap Qubits (Scambio Qubit): Riassegna le connessioni dei qubit di un gate.
- Controllo dei Vincoli: Dopo la mutazione, un attraversamento in avanti assicura che almeno un input fluisca verso un output; i genomi invalidi vengono scartati.
Operatori di Crossover:
- Crossover Binario: Combina due genitori, preservando le innovazioni condivise e mantenendo probabilisticamente le innovazioni uniche del genitore più fit ( $best\_keep\_rate$ ) o del genitore meno fit ( $other\_keep\_rate$ ).
- Crossover N-ario: Estende il crossover a più genitori (es. $n=4$ ), utilizzando un approccio a simplex randomizzato per ricombinare i parametri.
- Crossover Esponenziale: Divide i genitori in un punto di crossover di profondità casuale, prendendo i gate a profondità inferiore da un genitore e i gate a profondità superiore dall'altro.
Ereditarietà dei Pesi Lamarckiana: Per ridurre i costi di backpropagation, i pesi dei genitori di successo vengono ereditati e raffinati invece di essere riinizializzati.

3. Agnosticismo del Backend e Funzioni di Perdita

Il framework è progettato per essere agnostico rispetto al backend, supportando sia Qiskit che Pennylane. Supporta due modalità primarie di ottimizzazione:

Imitazione dell'Insegnante (Basata sulla Fedeltà): Quando esiste un circuito "insegnante" target, il sistema minimizza la perdita tra lo stato del candidato e lo stato dell'insegnante. Le metriche includono la Fedeltà ( $1 - |\langle \phi | \psi \rangle|^2$ ) e la Distanza Angolare.
Apprendimento Supervisionato (Basato sul Readout): Per dataset classici, il sistema utilizza perdite guidate dalla misura. Questo include la Cross-Entropy sulle probabilità marginali di readout per la classificazione, la Divergenza di Kullback-Leibler (KL) e l'Errore Quadratico Medio (MSE) dell'Osservabile per vincoli allineati all'hardware.

Contributi Chiave

Framework Unificato: Introduzione di EXAQC, un sistema che ottimizza congiuntamente la topologia del circuito (tipo di gate, connettività, profondità) e i parametri sia per l'apprendimento supervisionato che per l'emulazione di circuiti.
Agnosticismo del Backend: Una pipeline di addestramento flessibile compatibile sia con PennyLane che con Qiskit, che consente allo stesso piano di rappresentazione evolutiva di essere valutato sotto diversi modelli di esecuzione.
Formulazioni di Perdita Flessibili: La capacità di passare tra la supervisione basata sulla fedeltà (per l'emulazione di circuiti target) e le perdite di readout basate sul readout (per la classificazione di dati classici) all'interno di un processo coerente.
Strategie di Crossover Innovative: Adattamento di tecniche di crossover neuroevolutivo (N-ario e Esponenziale) specificamente per liste ordinate di gate quantistici.

Risultati Sperimentali

Gli autori hanno valutato EXAQC su quattro dataset benchmark UCI (Iris, Wine, Seeds, Breast Cancer) e una suite di circuiti quantistici "insegnanti" sintetici.

Performance di Classificazione: Utilizzando un budget computazionale modesto (500 genomi valutati), i circuiti evoluti hanno raggiunto un'elevata accuratezza sui dataset benchmark. Ad esempio, il dataset Iris ha raggiunto fino al 90.0% di accuratezza, e Seeds ha raggiunto il 95.2%. I risultati hanno indicato una correlazione tra la complessità del circuito (numero di gate) e le performance, suggerendo che tempi di ricerca più lunghi potrebbero portare a ulteriori miglioramenti.
Emulazione di Circuiti: Nei benchmark basati sull'insegnante, il sistema ha imparato con successo a emulare comportamenti target:
- Baseline (Single Gate): Ha raggiunto il 100% di fedeltà entro 3–5 genomi.
- Generatori di Stato Bell: Ha raggiunto il 98.32% di fedeltà.
- Circuiti Controllati da Input: Ha raggiunto il 94.11% di fedeltà.
- Circuiti Multi-livello: Ha raggiunto il 91.73% di fedeltà dopo aver esplorato oltre 800 genomi.
Scoperta Strutturale: Il sistema ha scoperto topologie di circuiti non banali in modo organico. In alcuni casi, i circuiti evoluti hanno raggiunto un'alta fedeltà utilizzando meccanismi strutturalmente diversi dall'insegnante (ad esempio, applicando due volte un gate Hadamard per simulare un gate Identità).

Significato e Rivendicazioni

Il paper posiziona EXAQC come una metodologia pratica e scalabile per la scoperta di circuiti quantistici "consapevoli del problema" (problem-aware). Gli autori sostengono che la ricerca evolutiva sia uno strumento critico per far avanzare il QML perché può navigare lo spazio di design combinatorio di tipi di gate e connettività senza dipendere da template fissi.

La significatività del lavoro risiede nella dimostrazione che:

Gli algoritmi evolutivi possono effettivamente scoprire strutture di circuiti che generalizzano attraverso diversi dataset e vincoli hardware.
Un framework unificato può gestire sia compiti guidati dalla fisica (emulazione di stati quantistici) che compiti guidati dai dati (classificazione di dati classici) senza cambiare la macchina evolutiva sottostante.
L'approccio fornisce una via principled verso il design di circuiti quantistici scalabili, andando oltre il design manuale euristico verso la scoperta automatizzata e adattiva.

Gli autori rimangono modesti riguardo alle implicazioni future, notando che, sebbene l'implementazione attuale utilizzi una singola popolazione a stato stazionario e un'ottimizzazione a obiettivo singolo, il framework è progettato per essere estendibile a strategie multi-obiettivo e modelli a isola (island models) nel lavoro futuro. Essi sottolineano che i risultati attuali servono come prova di concetto per la fattibilità della neuro-evoluzione nella ricerca di architetture quantistiche.