Sequence and Image Transformations with Monarq: Quantum Implementations for NISQ Devices

Questo lavoro presenta Monarq, un framework unificato che integra l'encoding QCrank e il protocollo EHands per implementare trasformazioni polinomiali di sequenze e immagini su hardware NISQ, validando operazioni fondamentali come convoluzione e rilevamento dei bordi.

L'essenziale

Immagina di avere un nuovo tipo di calcolatrice. È incredibilmente potente, capace di risolvere problemi che i computer normali impiegherebbero secoli a fare. Ma c'è un problema: è fatta di vetro soffiato. È delicata, fragile e se la tocchi troppo forte o c'è un po' di vento, si rompe o fa errori.

Questo è il mondo dei computer quantistici di oggi, chiamati NISQ (Noisy Intermediate-Scale Quantum). Sono potenti, ma "rumorosi" e instabili.

La ricerca che hai condiviso, scritta da un team di scienziati del Lawrence Berkeley National Laboratory, si chiede: "Possiamo usare questi computer fragili per fare cose utili, come elaborare immagini o segnali, prima che diventino perfetti?"

La risposta è: Sì, possiamo. E hanno costruito un "ponte" per farlo.

Ecco come funziona, spiegato in modo semplice.

1. Il Problema: Due Lingue Diverse

Per far lavorare un computer quantistico, devi prima caricarci dentro i dati (come una foto o un suono). Poi devi fargli fare dei calcoli.
Il problema è che spesso il modo di caricare i dati e il modo di fare i calcoli sono come due persone che parlano lingue diverse. Devi usare un traduttore, e il traduttore fa perdere tempo e introduce errori.

2. La Soluzione: Monarq (Il Ponte Perfetto)

Gli autori hanno creato un sistema chiamato Monarq. Immaginalo come una catena di montaggio perfetta.
Monarq unisce due tecnologie esistenti:

• QCrank: È il caricatore. Prende i dati classici (numeri reali) e li trasforma in stati quantistici. È come mettere i mattoni su un nastro trasportatore.
• EHands: È il lavoratore. Prende quei mattoni e fa calcoli matematici (come moltiplicazioni o addizioni) direttamente sopra di essi.

Il trucco magico: Entrambi usano lo stesso "linguaggio" (chiamato EVEN encoding). Non serve il traduttore! Il caricatore passa i mattoni al lavoratore senza che nessuno debba cambiare il modo in cui sono impilati. Questo rende il processo veloce e meno soggetto a errori.

3. Cosa hanno fatto? (Le 4 Missioni)

Per dimostrare che il sistema funziona, hanno provato a far fare al computer quattro compiti tipici dell'elaborazione delle immagini e dei segnali:

1. Convoluzione (Il Mescolatore): Immagina di prendere due ricette e mescolare gli ingredienti per creare un nuovo sapore. In informatica, questo serve a fondere segnali. Hanno fatto questo su un computer quantistico reale (IBM).
2. Trasformata di Fourier (L'Ascoltatore): Se ascolti una canzone, sai distinguere i bassi dagli acuti? Questo calcolo fa lo stesso: prende un segnale e ti dice quali "note" (frequenze) lo compongono.
3. Calcolo del Gradiente (L'Esploratore): In un'immagine, questo misura quanto i colori cambiano da un pixel all'altro. Se il colore cambia bruscamente, c'è un "gradiente" forte.
4. Rilevamento dei Bordi (Il Disegnatore): Questo è il più complesso. Prende una foto (hanno usato un'immagine di batteri) e disegna solo i contorni degli oggetti, cancellando il resto. È come prendere una foto e trasformarla in un disegno a matita.

4. I Risultati: Funziona, ma non è perfetto

Hanno provato a eseguire questi compiti su computer quantistici reali (IBM) e su simulatori perfetti.

• La realtà: I computer quantistici attuali fanno errori. È come cercare di ascoltare un sussurro in una stanza con il vento che fischia.
• La scoperta: Hanno scoperto che, anche con il "vento" (il rumore), riescono a capire il sussurro. Hanno usato un metodo statistico per correggere gli errori e hanno ottenuto risultati molto vicini alla realtà.
• Il limite: Non sono ancora più veloci dei computer normali. Se usassi un computer classico, farebbe tutto in un attimo. Ma il punto non è la velocità, è la prova di concetto. Hanno dimostrato che è possibile farlo.

5. Perché è importante? (Il Volantino dei Fratelli Wright)

Pensa ai primi aerei dei fratelli Wright. Volavano a malapena, erano lenti e pericolosi. Nessuno avrebbe detto che sarebbero diventati il futuro dei viaggi. Eppure, hanno dimostrato che volare è possibile.

Questo lavoro fa lo stesso per l'elaborazione delle immagini quantistiche.

• Oggi: Dimostra che possiamo costruire "mattoni" quantistici per compiti reali.
• Domani: Quando i computer quantistici diventeranno meno fragili (meno "rumorosi"), questi stessi mattoni permetteranno di creare algoritmi potentissimi per la medicina, la sicurezza e l'intelligenza artificiale.

In sintesi: Hanno costruito un "kit di strumenti" (Monarq) che permette di usare i computer quantistici di oggi, imperfetti, per fare cose pratiche come analizzare immagini, aprendo la strada a un futuro in cui questi computer saranno essenziali per la scienza.

Sommario tecnico

Titolo: Sequence and Image Transformations with Monarq: Quantum Implementations for NISQ Devices

Autori: Jan Balewski, Roel Van Beeumen, E. Wes Bethel, Talita Perciano (Lawrence Berkeley National Laboratory, ecc.)

---

1. Problema e Contesto

Il calcolo quantistico offre nuove possibilità per l'elaborazione di segnali e immagini, ma la traduzione degli algoritmi teorici in applicazioni pratiche su dispositivi NISQ (Noisy Intermediate-Scale Quantum) incontra ostacoli significativi. Le principali sfide includono:

• Rumore e Coerenza: Tempi di coerenza limitati e rumore intrinseco degradano i risultati.
• Connettività: Restrizioni nella connettività dei qubit aumentano la profondità dei circuiti necessari.
• Codifica ed Elaborazione: Esiste un divario tra metodi di codifica dati efficienti e operatori quantistici capaci di produrre risultati computazionali desiderati su hardware reale.
• Mancanza di Pipeline Complete: La maggior parte dei lavori sperimentali si concentra su componenti isolati piuttosto che su pipeline end-to-end per l'elaborazione dati.

L'obiettivo del lavoro è determinare se implementazioni quantistiche di operazioni di elaborazione dati classiche possano fornire risultati affidabili su hardware NISQ attuale, senza necessariamente dimostrare un vantaggio quantistico immediato, ma fornendo blocchi fondamentali per algoritmi futuri.

2. Metodologia: Il Framework Monarq

Il cuore del lavoro è Monarq, un framework unificato che integra due protocolli esistenti per creare una pipeline di elaborazione dati quantistica:

• QCrank (Codifica): Un metodo di codifica che introduce porte UCR (Uniformly Controlled Rotation) parallele per ridurre la profondità del circuito. Utilizza qubit di indirizzo e qubit di dati per codificare sequenze di valori reali $x \in [-1, 1]$ nello stato quantistico. La codifica avviene tramite rotazioni $R_y$ basate sullo schema EVEN (Expectation Value Encoding).
• EHands (Elaborazione): Un protocollo per trasformazioni polinomiali su stati codificati. Definisce operazioni aritmetiche elementari (moltiplicazione con memoria $\Pi$, somma pesata $\Sigma$, negazione) che compongono trasformazioni polinomiali con circuiti superficiali (shallow circuits).
• Integrazione: La chiave del successo è che QCrank ed EHands condividono lo stesso schema di codifica EVEN. Questo permette di passare dalla codifica dei dati all'elaborazione polinomiale senza passaggi di conversione intermedi.
• Pipeline: Il flusso dati segue tre stadi:
  1. Encode: I dati classici (sequenze 1D o immagini 2D) sono codificati in stati quantistici tramite QCrank.
  2. Compute: Gli operatori EHands agiscono sui qubit di dati per eseguire trasformazioni polinomiali (es. prodotto, somma).
  3. Decode: I risultati sono recuperati misurando il valore di aspettazione dell'operatore Pauli-Z sui qubit di output, condizionato allo stato dei qubit di indirizzo.

3. Contributi Chiave

1. Framework Unificato: Introduzione di Monarq che integra QCrank ed EHands per l'elaborazione dati quantistica.
2. Validazione Sperimentale: Implementazione e validazione di quattro algoritmi diversi:
   • Hardware: Convoluzione e calcolo del gradiente quadrato su processori IBM (Pittsburgh, Kingston, Aachen).
   • Simulatore: Trasformata di Fourier a tempo discreto (DFT) e rilevamento dei bordi (Edge Detection) per problemi di dimensioni maggiori.
3. Metodologia di Valutazione: Proposta di un metodo per valutare l'accuratezza confrontando l'Errore Quadratico Medio Radice (RMSE) con risultati noti (ground truth), includendo procedure di calibrazione per compensare l'attenuazione del segnale dovuta all'hardware.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su processori quantistici IBM e simulatori ideali, con diverse configurazioni:

• Convoluzione (Hardware):
  • Setup: Due liste di 32 valori reali, 7 qubit totali, 164 porte CNOT.
  • Risultato: RMSE di 0.065 dopo calibrazione. Dimostra che la convoluzione è fattibile su NISQ se il circuito traspile richiede meno di ~200 porte CNOT.
• Gradiente Quadrato (Hardware):
  • Setup: Immagine 32x32 pixel, divisa in 64 strisce per adattarsi all'hardware (8 qubit, 252 CNOT).
  • Risultato: Corrispondenza visiva forte con il calcolo classico. I fattori di calibrazione (es. 2.9) sono prevedibili e correggibili.
• DFT (Simulatore):
  • Setup: Segnale di onde gravitazionali sintetico, 20 qubit, 1 milione di shot.
  • Risultato: Alta fedeltà nell'ampiezza e nella fase rispetto alla verità classica. L'approccio permette di calcolare la somma "in situ" non misurando i qubit di indirizzo.
• Rilevamento dei Bordi (Simulatore):
  • Setup: Immagine di batteri 192x128, 24 tile, 20 qubit, 30 milioni di shot.
  • Risultato: Mappa binaria dei bordi pulita, dimostrando la fattibilità di algoritmi di visione artificiale completi.

Fonti di Errore:
L'accuratezza è limitata principalmente da:

1. Rumore di Shot ($\sigma_{shot}$): Diminuisce all'aumentare del numero di misurazioni.
2. Infedeltà delle Porte ($\sigma_{hw}$): Aumenta con il numero di porte CNOT. Su hardware reale, l'errore totale è la somma in quadratura di questi due fattori.

5. Significato e Conclusioni

• Fattibilità NISQ: Il lavoro dimostra che è possibile implementare pipeline di elaborazione dati complete (codifica, calcolo, decodifica) su dispositivi NISQ attuali, ottenendo risultati significativi nonostante le limitazioni hardware.
• Scalabilità: Sebbene non vi sia ancora un vantaggio quantistico rispetto ai metodi classici (l'implementazione è più lenta e rumorosa), il framework stabilisce benchmark di fattibilità e fornisce una base per futuri sviluppi.
• Limiti Attuali: I requisiti di shot sono elevati (da 32k a 30M) e l'accuratezza degrada con l'aumento del numero di porte o del grado dei polinomi.
• Prospettive Future: Il lavoro apre la strada a estensioni nel machine learning quantistico, filtraggio non lineare e operazioni avanzate di visione artificiale, utilizzando la base di calcolo polinomiale di EHands.

In sintesi, il paper presenta un passo concreto verso l'utilizzo pratico dei computer quantistici per l'elaborazione dei dati, colmando il divario tra proposte teoriche e implementazioni su hardware rumoroso.