⚛️ quantum physics

Harnessing DEN models for quantum computing tasks on neutral atom QPUs

Questo articolo dimostra il riuscito inserimento di grafi di reti di antenne proteiche e cellulari su processori quantistici a atomi neutri (Orion Alpha di PASQAL e Aquila di QuEra) mediante Distance Encoder Networks, ottenendo elevati tassi di inserimento per compiti di apprendimento automatico quantistico e colorazione di grafi.

Autori originali: Chiara Vercellino, Giacomo Vitali, Paolo Viviani, Alberto Scionti, Olivier Terzo, Bartolomeo Montrucchio

Pubblicato 2026-05-06

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Chiara Vercellino, Giacomo Vitali, Paolo Viviani, Alberto Scionti, Olivier Terzo, Bartolomeo Montrucchio

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 avere un parco giochi molto speciale e ad alta tecnologia, composto da minuscoli atomi fluttuanti. Questo parco giochi è un Computer Quantistico (nello specifico, uno che utilizza "atomi neutri"). A differenza dei computer tradizionali che usano bit (0 e 1), questa macchina utilizza atomi che possono trovarsi in due stati contemporaneamente.

I ricercatori di questo articolo si sono trovati di fronte a un rompicapo complicato: Come si fa a prendere una mappa complessa (un grafo) e adattarla perfettamente a questo specifico parco giochi?

Ecco la spiegazione del loro lavoro, utilizzando semplici analogie:

1. Le Regole del Parco Giochi (L'Hardware)

Pensa al computer quantistico come a una griglia di "trappole" invisibili dove puoi parcheggiare gli atomi.

La "Zona Vietata": Se due atomi si avvicinano troppo l'uno all'altro, si respingono violentemente (come due magneti con lo stesso polo rivolto verso l'esterno). Questo è chiamato "effetto di blocco".
La "Zona di Amicizia": Se gli atomi sono abbastanza vicini (ma non troppo vicini), possono "parlare" tra loro.
La Forma: Il parco giochi non è un cerchio perfetto; è un rettangolo. Inoltre, gli atomi devono essere parcheggiati in file ordinate, e queste file devono essere distanziate esattamente nel modo giusto.

L'obiettivo era prendere un disegno di una rete (come una struttura proteica o una mappa di torri per telefonia cellulare) e riorganizzare i suoi punti in modo che rispettassero queste rigide regole di parcheggio. Se i punti rispettano le regole, il computer quantistico può risolvere problemi relativi a quella rete istantaneamente.

2. Il Problema: Lo "Spazio Libero" vs. Il "Mondo Reale"

Nel loro lavoro precedente, il team ha utilizzato un intelligente strumento di intelligenza artificiale (chiamato modello DEN) che poteva disporre questi punti ovunque nello "spazio libero" (immagina un foglio di carta bianco senza righe). Era eccellente nel trovare la forma perfetta.

Ma quando hanno provato a utilizzare computer quantistici reali (due specifici chiamati Orion Alpha e Aquila), hanno incontrato un muro:

Orion Alpha: Gli atomi dovevano essere parcheggiati su una specifica griglia triangolare (come un nido d'ape). Non potevi semplicemente mettere un atomo ovunque; doveva scattare in una trappola specifica.
Aquila: Gli atomi dovevano adattarsi a un rettangolo e rimanere in file con spaziatura specifica.

Era come cercare di parcheggiare un'auto in un garage dove i posti sono dipinti sul pavimento, ma la tua intelligenza artificiale ti diceva di parcheggiare nel mezzo del vialetto.

3. La Soluzione: Il "Traslocatore Intelligente"

Il team ha aggiornato il proprio strumento di intelligenza artificiale per gestire questi vincoli del mondo reale.

Per il Nido d'Ape (Orion Alpha):
Hanno utilizzato una strategia del "Vicino più prossimo". Immagina di avere una lista di persone (i punti) e una lista di sedie (le trappole).
1. L'IA calcola prima la disposizione dei posti ideale nello spazio libero.
2. Poi, prende le persone più importanti (quelle con più amici/connessioni) e le fa sedere per prime.
3. Le posiziona nella sedia disponibile più vicina sulla griglia a nido d'ape.
- Risultato: Hanno mappato con successo una rete di 90 torri per telefonia cellulare a Torino, Italia, sulla macchina. Anche se la sistemazione non era matematicamente perfetta, il computer ha comunque potuto risolvere il "problema della colorazione" (assegnare ID unici alle torri per evitare conflitti di segnale).
Per il Rettangolo (Aquila):
Hanno aggiunto una nuova "regola" al cervello dell'IA. Hanno insegnato all'IA che se due punti sono nella stessa fila, devono essere sufficientemente distanti, oppure, se sono in file diverse, le file devono essere distanziate.
- Risultato: Hanno provato a mappare centinaia di strutture proteiche.
  - Per le proteine piccole (fino a 12 punti), hanno avuto successo circa il 76% delle volte.
  - Per le proteine medie (fino a 16 punti), il successo è sceso al 68%.
  - Per le proteine più grandi (fino a 256 punti), il successo è sceso al 34%.

4. Perché Questo è Importante (Il "E allora?")

L'articolo dimostra che, sebbene adattare forme complesse a queste macchine quantistiche sia difficile (come cercare di piegare una grande mappa in una tasca minuscola), il loro metodo funziona meglio dei risolutori matematici tradizionali.

Il Confronto: Gli strumenti matematici vecchi stile hanno provato a risolvere questo problema per ore e spesso hanno rinunciato (0% di successo). Il metodo di intelligenza artificiale del team ha generalmente trovato una soluzione in meno di 5 minuti.
La Conclusione: Anche se non sono riusciti ad adattare ogni grafo perfettamente, ne hanno adattati abbastanza da eseguire esperimenti reali. Hanno dimostrato che è possibile prendere dati del mondo reale (come torri per telefonia cellulare o proteine) e tradurli in una lingua che queste macchine quantistiche comprendono.

Analogia di Sintesi

Immagina di dover organizzare un gruppo di amici per una foto.

Il Vecchio Modo: Li fai mettere in piedi in un cerchio perfetto.
La Nuova Realtà: Sei su un palco con punti specifici pre-segnati, e alcuni amici sono allergici a stare troppo vicini ad altri.
Il Contributo dell'Articolo: Hanno costruito un assistente intelligente che capisce rapidamente chi sta dove sui punti specifici del palco in modo che tutti siano contenti (o almeno, che la foto possa essere scattata), anche se il cerchio perfetto non è possibile. L'hanno testato su due palchi diversi e hanno dimostrato che funziona per molti gruppi diversi di amici.

Riepilogo Tecnico: Sfruttamento dei Modelli DEN per Compiti di Calcolo Quantistico su QPU ad Atomi Neutri

Enunciato del Problema
I processori quantistici a atomi neutri (QPU), come quelli sviluppati da PASQAL (Orion Alpha) e QuEra (Aquila), utilizzano singoli atomi di Rubidio come qubit. Queste macchine rappresentano nativamente Grafi a Disco Unitario (UDG) attraverso la loro dinamica Hamiltoniana, dove gli archi esistono tra i qubit se la loro separazione fisica è entro un specifico raggio di Rydberg ( $r_b$ ). Tuttavia, la mappatura di grafi di problemi arbitrari (ad esempio, strutture proteiche o reti di antenne cellulari) su questi registri fisici è vincolata da limitazioni hardware. Nello specifico, gli atomi devono essere posizionati a coordinate fisse (spesso un reticolo triangolare) o aderire a vincoli rigorosi di spaziatura tra le righe, e il sistema deve soddisfare requisiti di distanza per distinguere tra vertici adiacenti e non adiacenti. Lavori precedenti hanno introdotto le Distance Encoder Networks (DEN) per incorporare UDG sotto ipotesi di "spazio libero", ma questi modelli non tenevano conto delle geometrie discrete e vincolate dei QPU reali.

Metodologia
Gli autori hanno adattato il framework DEN per affrontare i vincoli hardware specifici di due QPU distinti:

Orion Alpha (PASQAL):
- Vincolo: Gli atomi devono occupare posizioni fisse all'interno di un reticolo triangolare (61 trappole, lato di 5µm) con una distanza minima inter-atomica di 5µm e una massima di 40µm.
- Approccio: Poiché il modello DEN genera coordinate continue nello spazio libero e non può gestire nativamente vincoli di interezza discreta all'interno della sua funzione di perdita differenziabile, gli autori hanno impiegato un processo in due fasi. In primo luogo, il modello DEN è stato addestrato per generare un incorporamento fattibile sotto ipotesi di spazio libero. In secondo luogo, è stato applicato un algoritmo del vicino più prossimo per mappare queste coordinate continue sulla trappola disponibile più vicina nel reticolo triangolare. I vertici sono stati ordinati per grado (decrescente) prima della mappatura per dare priorità al posizionamento dei nodi altamente connessi.
Aquila (QuEra):
- Vincolo: Il registro è rettangolare (75µm × 76µm) e richiede che gli atomi siano organizzati in righe con una spaziatura verticale minima di 4µm.
- Approccio: Gli autori hanno modificato direttamente l'architettura DEN. Hanno introdotto un vincolo di spaziatura tra le righe nella Funzione di Perdita di Incorporamento (ELF). L'architettura del modello è stata aggiornata per includere un layer CoordL (utilizzando un'attivazione tanh per vincolare le coordinate all'interno del registro rettangolare) e un layer DistL. Il layer DistL calcola sia le distanze quadrate standard tra coppie sia le distanze quadrate tra le righe ( $y'_i - y'_j)^2$ ). È stato aggiunto un nuovo componente di penalità, ELFrow, alla funzione di perdita per penalizzare le configurazioni in cui le distanze tra le righe cadono tra 0 e 4µm, consentendo al contempo distanze $\ge$ 4µm o 0 (stessa riga).

Contributi Chiave

Incorporamento Consapevole dell'Hardware: Il documento presenta una metodologia per passare da incorporamenti UDG teorici in spazio libero a soluzioni fattibili per hardware per due QPU reali.
Adattamento Algoritmico:
- Per reticoli discreti (Orion Alpha), è stata sviluppata una strategia euristica di rimappatura del vicino più prossimo per convertire gli output DEN in configurazioni di trappole valide.
- Per registri rettangolari con vincoli di riga (Aquila), il modello DEN è stato modificato strutturalmente per imporre vincoli di spaziatura tra le righe direttamente all'interno della funzione di perdita della rete neurale.
Validazione Specifica per Applicazione: L'approccio è stato validato su due casi d'uso distinti:
- Colorazione di Grafi: Risoluzione dell'ottimizzazione dell'Identificatore di Cella Principale (PCI) per 90 antenne cellulari a Torino, Italia, utilizzando l'algoritmo ibrido BBQ-mIS su Orion Alpha.
- Apprendimento Automatico Quantistico: Classificazione di proteine (enzima vs non enzima) utilizzando il dataset PROTEINS su Aquila.

Risultati

Orion Alpha (Colorazione di Grafi): Il dataset di 90 antenne è stato decomposto in componenti connesse. Mentre i vertici isolati e i grafi completi avevano soluzioni banali, gli autori hanno incorporato con successo quattro sottografi non banali (dimensioni di 7, 7, 10 e 19 vertici). Sebbene la rimappatura sul reticolo avesse ridotto la qualità dell'incorporamento (diminuendo il divario tra distanze adiacenti e non adiacenti), l'algoritmo BBQ-mIS è rimasto robusto, trovando con successo colorazioni ottimali nonostante le rappresentazioni UDG imperfette.
Aquila (Classificazione delle Proteine):
- Per grafi con $n \le 12$ , il modello DEN ha raggiunto un tasso di successo del 76% (158/207 campioni).
- Per grafi con $n \le 16$ , il tasso di successo è sceso al 68% (210/307 campioni).
- Per l'intero dataset ( $n \le 256$ ), il tasso di successo è stato del 34% (279 campioni).
- Gli autori notano che, sebbene i tassi di successo diminuiscano all'aumentare della dimensione del grafo a causa dei vincoli geometrici, l'euristica DEN supera significativamente i risolutori di Programmazione Intera Mista (MIP) all'avanguardia, che hanno raggiunto un successo vicino allo 0% su grafi più piccoli anche con tempi di calcolo di 5–10 ore. Il modello DEN fornisce tipicamente soluzioni in meno di 5 minuti.

Significato e Affermazioni
Il documento afferma che questi risultati sottolineano l'efficacia e la versatilità dell'approccio di incorporamento basato su DEN per rappresentare grafi a disco unitario su computer quantistici a atomi neutri in diverse applicazioni. Gli autori sottolineano che anche un successo parziale nell'incorporamento di grafi grandi e complessi rappresenta un progresso significativo, in particolare data la mancanza di strumenti esistenti per mappare problemi su queste specifiche architetture hardware. Suggeriscono che per grafi più piccoli, una strategia di replicazione del grafo più volte all'interno del registro (garantendo una distanza sufficiente tra le copie) potrebbe ottimizzare ulteriormente l'esecuzione dei compiti quantistici riducendo i requisiti di misurazione. Il lavoro funge da ponte pratico tra problemi grafici teorici e i vincoli fisici dei QPU a atomi neutri attuali.