⚛️ quantum physics

Comparing and learning figures of merit for quantum circuit compilation

Questo articolo propone un framework di machine learning che predice una nuova figura di merito pesata (wPST) per i circuiti quantistici stimando prima i gate di compilazione richiesti e poi tenendo conto del rumore dell'hardware, superando così significativamente le metriche tradizionali nella selezione di circuiti di alta qualità per i dispositivi quantistici.

Autori originali: Harshdeep Singh, Marvin Richter, Mats Granath, Anton Frisk Kockum

Pubblicato 2026-07-23

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Harshdeep Singh, Marvin Richter, Mats Granath, Anton Frisk Kockum

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 preparare la torta perfetta, ma di non avere una cucina standard. Invece, hai un forno caotico e rumoroso dove il calore fluttua selvaggiamente, e la tua ciotola per mescolare si collega solo a punti specifici del bancone. Questa è l'attuale realtà dell'informatica quantistica. Gli scienziati stanno costruendo macchine che utilizzano le regole bizzarre della meccanica quantistica — come la sovrapposizione (essere in due posti contemporaneamente) e l'entanglement (connessioni spettrali tra particelle) — per risolvere problemi che richiederebbero ai supercomputer migliaia di anni per essere decifrati. Ma queste macchine sono fragili. Si trovano in quella che gli esperti chiamano l'era "intermedia a scala rumorosa" (noisy intermediate-scale), il che significa che sono potenti ma soggette a errori, e le loro parti (qubit) non sempre riescono a comunicare direttamente tra loro.

Per far funzionare un algoritmo quantistico su questo hardware disordinato, devi "compilare" il codice. Pensa alla compilazione come alla traduzione di una ricetta scritta per una cucina perfetta in un insieme di istruzioni che possono essere effettivamente seguite nella tua cucina caotica. Potresti dover aggiungere passaggi extra, come spostare gli ingredienti (gate SWAP) per raggiungere le ciotole giuste, o potresti dover sostituire una frusta elegante con un cucchiaio perché la frusta non si adatta. La grande domanda è: come fai a sapere quale insieme di istruzioni porterà effettivamente a una buona torta? Hai bisogno di un modo per misurare la qualità della tua ricetta prima ancora di accendere il forno. È qui che entrano in gioco i "figure of merit" (parametri di merito) — essenzialmente, un tabellone dei punteggi per quanto bene un circuito quantistico funzionerà.

Questo articolo affronta il complicato problema di trovare il tabellone dei punteggi perfetto. Gli autori, Harshdeep Singh e il suo team della Chalmers University of Technology e dell'Università di Göteborg, sostengono che i vecchi modi di valutare i circuiti quantistici siano o troppo semplici o troppo difficili da calcolare. I punteggi semplici, come contare il numero di passaggi nella ricetta, sono facili da controllare ma non ti dicono se la torta avrà un buon sapore. All'altro capo, il punteggio "perfetto" consiste nell'effettivamente cuocere la torta (eseguire il circuito) e assaggiarla, ma farlo per ogni possibile variazione della ricetta richiederebbe troppo tempo.

Il team propone un nuovo, più intelligente tabellone dei punteggi chiamato wPST (weighted Probability of Successful Trials - Probabilità di tentativi riusciti pesata). Immagina di dare il voto a uno studente durante un test. Il vecchio metodo (PST) dice che ottieni un 100% perfetto solo se rispondi correttamente a ogni singola domanda. Se ne sbagli anche solo una, ottieni zero. Questo è severo e non ti dice se lo studente conosceva il 99% del materiale o solo il 10%. Il nuovo metodo wPST è più indulgente e informativo: ti concede il credito parziale. Se rispondi correttamente a 9 domande su 10, ottieni un punteggio di 0,9. Questo cattura molto meglio la "bontà" del risultato, specialmente quando la macchina è rumorosa e piccoli errori sono inevitabili.

Tuttavia, calcolare anche questo nuovo punteggio richiede solitamente l'esecuzione del circuito, il che è lento. Per risolvere questo problema, gli autori hanno addestrato un modello di machine learning — un cervello digitale — per prevedere il punteggio wPST guardando semplicemente la ricetta (il circuito) e la mappa della cucina (l'hardware). Hanno fornito a questo modello migliaia di esempi, insegnandogli a riconoscere schemi come "troppi passaggi", "troppi ingredienti intrecciati" o "l'uso di un qubit con una breve soglia di attenzione".

I risultati sono promettenti. In simulazioni e test su veri computer quantistici IBM, il loro modello di machine learning ha previsto il successo di un circuito con un'accuratezza molto superiore rispetto ai metodi tradizionali. Mentre i vecchi metodi, come il conteggio dei gate, avevano solo una correlazione del 40-50% con il successo effettivo, il loro nuovo modello ha fatto saltare quella correlazione a oltre il 90%. Questo è un miglioramento enorme, che aumenta efficacemente l'accuratezza delle loro previsioni di oltre il 50%.

Per rendere tutto ciò utile per i compilatori quantistici del mondo reale, gli autori hanno anche progettato un trucco in due fasi. Di solito, non puoi conoscere il punteggio finale finché il circuito non è stato completamente tradotto per la macchina specifica. Ma il loro sistema può prima indovinare quanti passaggi extra la macchina dovrà aggiungere (come prevedere quanti detour aggiungerà un GPS) e poi usare questa ipotesi per prevedere il punteggio wPST finale. Ciò consente al compilatore di scegliere la ricetta migliore istantaneamente, senza dover eseguire prima il test lento ed costoso.

In breve, l'articolo suggerisce che utilizzando un sistema di punteggio più intelligente e basato sul credito parziale (wPST), combinato con un veloce predittore basato su IA, possiamo costruire circuiti quantistici migliori più velocemente. Non risolve tutti i problemi dell'informatica quantistica, ma offre un modo molto più affidabile per navigare nelle acque rumorose e agitate dell'attuale hardware quantistico, avvicinandoci a quelle torte quantistiche perfette.

Sintesi Tecnica: Confronto e Apprendimento di Figure di Merito per la Compilazione di Circuiti Quantistici

Definizione del Problema
Nell'era del NISQ (Noisy Intermediate-Scale Quantum), l'esecuzione di algoritmi quantistici richiede la compilazione di algoritmi di alto livello in circuiti specifici per l'hardware che rispettino i vincoli di connettività e i profili di rumore. Questo processo di compilazione comporta la ricerca in un vasto spazio di possibili circuiti per trovarne uno ottimale. Per guidare questa ricerca, i compilatori si affidano a Figure di Merito (Figure of Merit, FoM) per quantificare la qualità del circuito. Tuttavia, esiste un compromesso fondamentale tra il costo computazionale del calcolo di una FoM e la sua accuratezza nel prevedere la qualità dell'esecuzione.

FoM Semplici: Metriche come la profondità del circuito, il conteggio totale dei gate e il conteggio dei gate a due qubit sono computazionalmente economiche ma non riescono a catturare gli effetti specifici del rumore hardware e della struttura del circuito, portando a una scarsa correlazione con la fedeltà di esecuzione reale.
FoM Complesse: Metriche come la fedeltà dello stato di uscita o le misure basate sulla distanza (ad esempio, la distanza di Hellinger) forniscono un'alta accuratezza ma sono computazionalmente proibitive (spesso con scalabilità esponenziale rispetto al numero di qubit) o richiedono l'esecuzione del circuito sull'hardware, il che è troppo lento per una compilazione iterativa.
Il Limite della PST: La Probabilità di Trial di Successo (Probability of Successful Trials, PST), che misura la probabilità di tornare allo stato iniziale dopo l'esecuzione di un circuito e del suo inverso, correla bene con la fedeltà ma soffre di due grandi svantaggi: è esponenzialmente sensibile alla dimensione del sistema (decadendo rapidamente all'aumentare di $n$ ) ed è di natura binaria (un singolo bit flip riduce il punteggio a zero), fallendo nel distinguere tra errori minori e maggiori.

Metodologia
Gli autori propongono un approccio multifasettico per affrontare queste limitazioni:

Introduzione della wPST (Weighted PST):
Il documento introduce la wPST, una modifica della PST che tiene conto del numero di bit corretti nel risultato della misurazione piuttosto che richiedere che l'intero stato sia corretto.
- Definizione: La wPST assegna un peso $w_i$ a ogni esito di misurazione in base alla frazione di bit non invertiti (peso di Hamming). Somma le probabilità degli esiti in cui il peso supera una soglia ( $w_{th} = 0.5$ ).
- Proprietà: A differenza della PST, che decade esponenzialmente con il numero di qubit ( $n$ ) sotto errori indipendenti, la wPST decade linearmente con il tasso di errore ed è ampiamente indipendente da $n$ . Ciò la rende scalabile e capace di distinguere tra diversi livelli di rumore (ad esempio, distinguere un bit flip da due bit flip).
Framework di Predizione tramite Machine Learning:
Poiché il calcolo diretto della wPST (o della PST) richiede l'esecuzione di circuiti su hardware o simulatori ad alta fedeltà, gli autori sviluppano modelli di machine learning (ML) per predire questi valori.
- Ingegneria delle Caratteristiche (Feature Engineering): Il vettore delle caratteristiche in input combina:
  - Caratteristiche a livello di circuito: Derivate dal Grafo Aciclico Diretto (DAG) del circuito, inclusi gate totali, profondità, conteggio dei gate a due qubit, rapporto di entanglement, parallelismo, "liveliness" e comunicazione del programma.
  - Caratteristiche a livello di hardware: Dati di decoerenza risolti per qubit ( $T_1$ e $T_2$ ) mappati sui qubit specifici utilizzati nel circuito, stimando le probabilità di fallimento in base alla durata dei gate.
- Selezione del Modello: Gli autori hanno valutato vari modelli basati su alberi decisionali (Random Forest, Bagging, CatBoost) e hanno selezionato XGBoost per il suo equilibrio tra bassi tempi di addestramento/predizione e alta accuratezza.
- Dati di Addestramento: I modelli sono stati addestrati su circuiti generati casualmente e sul dataset di benchmark MQT (Munich Quantum Toolkit), con etichette generate tramite simulazione (per i simulatori) o esecuzione reale (su hardware IBM).
Predizione in Due Fasi per Circuiti Non Trasposti:
Per rendere utile il predittore ML ai compilatori che valutano circuiti non trasposti (uncompiled), gli autori hanno ideato un processo in due fasi:
- Fase 1: Predire il vettore delle caratteristiche del circuito trasposto (ad esempio, predire il numero di gate SWAP aggiuntivi e la risultante comunicazione del programma) basandosi sul circuito di input e sulla mappa di accoppiamento dell'hardware target.
- Fase 2: Alimentare questo vettore di caratteristiche predetto nel modello wPST addestrato per stimare la metrica di performance finale.

Risultati Chiave
Gli autori hanno validato il loro approccio attraverso simulazioni numeriche ed esperimenti su quattro dispositivi quantistici IBM (Strasbourg, Torino, Miami, Brussels).

Correlazione Superiore: La wPST predetta tramite ML e la PST hanno superato significativamente le metriche tradizionali basate sui circuiti.
- Su un simulatore a 12 qubit, la correlazione tra la wPST predetta e la vera wPST ha raggiunto lo 0.925 per i circuiti casuali e lo 0.880 per i benchmark MQT, rispetto a circa 0.65–0.70 per la profondità del circuito o i conteggi dei gate.
- Su hardware reale, la correlazione media per la wPST predetta è stata dello 0.89, mentre le metriche tradizionali hanno mediato intorno allo 0.47–0.53.
- Ciò rappresenta un miglioramento di oltre il 50% nella correlazione con la reale qualità di esecuzione rispetto alle standard FoM.
Scalabilità e Robustezza:
- L'errore quadratico medio (RMSE) per la predizione della wPST è rimasto relativamente costante all'aumentare del numero di qubit, dimostrando scalabilità.
- La wPST si è dimostrata robusta rispetto agli errori di lettura (entrando in modo additivo piuttosto che moltiplicativo) e ha fornito una valutazione più granulare del rumore rispetto alla PST, che spesso scende vicino allo zero per circuiti con più di 6 qubit.
Importanza delle Caratteristiche: L'analisi ha rivelato che i modelli si sono basati pesantemente sulla "comunicazione del programma" (densità di interazione tra qubit) e sul numero di gate a due qubit, confermando che questi attributi fisici sono critici per predire la qualità dell'esecuzione.

Significatività e Rivendicazioni
Il documento sostiene che l'integrazione di FoM ad alta precisione predette tramite machine learning nei pipeline di compilazione quantistica offra una soluzione pratica al compromesso tra accuratezza ed efficienza.

Compromesso Ottimale: Il metodo proposto occupa un "punto di equilibrio" (sweet spot) sulla frontiera di Pareto, offrendo un'alta correlazione con la reale qualità di esecuzione (avvicinandosi all'accuratezza della simulazione completa) pur mantenendo una complessità computazionale polinomiale.
Utilità Pratica: Consentendo la stima della wPST per circuiti non trasposti tramite un processo in due fasi, il metodo permette ai compilatori di prendere decisioni informate senza il costo proibitivo di eseguire milioni di variazioni di circuiti sull'hardware.
Compilazione Migliorata: Gli autori affermano che l'uso di queste FoM predette tramite ML può portare a risultati di compilazione migliori e a una maggiore qualità di esecuzione per gli algoritmi quantistici su diverse piattaforme hardware.

Gli autori rimangono modesti riguardo alle implicazioni future, osservando che, sebbene si tratti di un passo significativo, è necessario ulteriore lavoro per integrare pienamente questi modelli nei compilatori attivi e per affrontare il problema della "doppia profondità" inerente alle metriche basate su PST (dove il circuito di verifica è il doppio di quello originale).

Articoli simili