⚛️ quantum physics

GroverFigureOfMerit: An Agnostic Figure of Merit for Quantum Backend Characterization in the NISQ Era

Questo articolo propone e valida "GroverFigureOfMerit", un parametro olistico e indipendente dall'architettura basato sull'algoritmo di Grover che supera i limiti dei parametri hardware statici valutando le prestazioni del backend quantistico attraverso probabilità di successo dinamiche, uniformità e penalità di perdita attraverso diversi fornitori dell'era NISQ.

Autori originali: Tiago Restucha, Marcos Guillermo Lammers, Alejandro Fernández

Pubblicato 2026-07-10

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Tiago Restucha, Marcos Guillermo Lammers, Alejandro Fernández

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 dover scegliere l'auto migliore per un viaggio on-the-road, ma ogni produttore ti fornisce un elenco di specifiche diverso e confusionario. Uno dice: "Il mio motore ha un'efficienza del 99%!". Un altro grida: "I miei pneumatici durano 50.000 miglia!". Ma non ti dicono come l'auto si comporta realmente su una strada dissestata, su una collina ripida o durante un improvviso acquazzone. Ti ritrovi a indovinare quale di esse ti porterà effettivamente a destinazione senza rompersi.

Questo è esattamente il problema che i developer di computer quantistici affrontano oggi. Siamo nell'era "NISQ" (Noisy Intermediate-Scale Quantum), un periodo in cui i computer quantistici esistono ma sono ancora un po' glitchati e disordinati. Diverse aziende come IBM, IonQ e Rigetti costruiscono le loro macchine in modi totalmente differenti. Parlano lingue diverse e mettono in mostra statistiche "statiche" differenti, come ad esempio quanto tempo un singolo qubit (il bit quantistico) riesce a mantenere il proprio pensiero prima di dimenticarlo.

Gli autori di questo articolo sostengono che guardare queste statistiche statiche sia come giudicare un maratoneta solo in base a quanto velocemente sa allacciarsi le scarpe. Questo perde il punto! Un corridore potrebbe avere ottime scarpe (bassi tassi di errore) ma inciampare sui propri piedi quando la gara si complica. Il documento suggerisce che, per sapere davvero quale computer quantistico sia il migliore, è necessario correre una vera gara.

La gara di "Stress Test": L'algoritmo di Grover

Per risolvere questo problema, il team ha inventato un nuovo modo per misurare le prestazioni chiamato GroverFigureOfMerit. Immaginalo come una "corsa di stress test" standardizzata. Invece di guardare i singoli componenti, fanno correre un puzzle specifico e complicato chiamato algoritmo di Grover.

L'algoritmo di Grover è come un gioco del "Trova l'ago nel pagliaio". In un mondo perfetto, un computer quantistico può trovare l'ago incredibilmente velocemente. Ma nel mondo reale e rumoroso, il pagliaio potrebbe scuotersi, l'ago potrebbe essere scivoloso e il computer potrebbe confondersi.

Il team ha progettato questo test per vedere quanto bene un computer gestisce l'intero processo, inclusi:

Il Rumore: L'interferenza e i glitch che accadono durante la corsa.
La Traduzione: Il lavoro che il computer deve compiere per tradurre il puzzle del "pagliaio" nel proprio linguaggio specifico (questo processo è chiamato transpilation).
La Mappa: La disposizione fisica dei cavi del computer (topologia). Alcuni computer hanno qubit che non possono comunicare direttamente tra loro, quindi devono passare i messaggi attraverso i vicini, il che rallenta le cose.

Come funziona il punteggio

Dopo aver eseguito la corsa 2.000 volte (chiamate "shot"), il sistema assegna al computer un punteggio. Non si tratta solo di trovare l'ago; si tratta di come lo ha trovato.

Ha trovato la risposta corretta? (Bene!)
Ha trovato anche risposte errate? (Male! Questo è "leakage" o perdita.)
Ha trovato la risposta corretta ogni singola volta, o è stato fortunato a volte e sfortunato altre? (Male! Questo è "non-uniformità".)

Il punteggio finale è un numero singolo che combina tutti questi fattori. Se il computer è rumoroso o si blocca durante la traduzione del puzzle, il punteggio scende. Se è pulito ed efficiente, il punteggio rimane alto.

Il Grande Esperimento: Simulare la Realtà

Il team non ha solo tirato a indovinare; ha eseguito questo test su un framework chiamato Qonscious. Questo è come un telecomando universale che ti permette di eseguire la stessa corsa su qualsiasi marca di computer quantistico senza cambiare il codice.

Hanno testato questo su nove diversi fornitori (sebbene si siano concentrati i risultati dettagliati su simulatori basati su hardware reali di IBM e IonQ). Hanno eseguito il test su due dimensioni di "pagliai":

Uno piccolo con 8 elementi (usando 3 qubit).
Uno più grande con 32 elementi (usando 5 qubit).

Cosa hanno scoperto:

I Simulatori Ideali: Quando hanno eseguito il test su un computer di simulazione perfetto e privo di rumore, il punteggio era quasi perfetto (circa 0,960 per il pagliaio piccolo e 0,999 per quello più grande). Questo dimostra che il test funziona come previsto quando non ci sono glitch.
I Modelli IBM: Quando hanno eseguito il test su modelli di rumore derivati da veri processori IBM, i punteggi sono scesi significativamente. Per il pagliaio da 32 elementi, i modelli IBM sono crollati a un punteggio di circa 0,040. Questo è essenzialmente lo stesso di indovinare casualmente! Il documento spiega che questo accade perché i computer IBM hanno dovuto lavorare extra per connettere i qubit distanti, creando un "ingorgo" di errori.
Il Modello IonQ: L'IonQ Aria 1 è andato molto meglio. Ha mantenuto il suo punteggio alto e non è crollato come i modelli IBM. Ciò suggerisce che, per questo specifico tipo di puzzle, l'architettura di IonQ è più resiliente al rumore.

Cosa significa (e cosa non significa)

Il documento chiarisce che questo non è un colpo di bacchetta magica che risolve tutti i problemi quantistici. Gli autori dichiarano esplicitamente che non stanno cercando di dimostrare che l'algoritmo di Grover sia il modo migliore per risolvere problemi di ricerca reali in questo momento. Infatti, ammettono che, sull'attuale hardware rumoroso, l'algoritmo di Grover potrebbe non essere ancora utile per compiti reali.

Inveve, stanno usando l'algoritmo di Grover puramente come uno strumento per misurare l'hardware. È come usare un manichino da crash test non per vedere se l'auto è sicura per i passeggeri, ma per vedere come resiste la struttura dell'auto durante un incidente.

I risultati si basano su simulazioni utilizzando modelli di rumore derivati da hardware reali, non sull'esecuzione del test su macchine fisiche reali nel cloud (anche se gli autori affermano che testare sulle macchine reali è il "passo naturale successivo").

Conclusione

Il risultato principale è che questo nuovo punteggio "GroverFigureOfMerit" riesce a distinguere con successo i diversi computer quantistici, anche quando sono costruiti in modi totalmente differenti. Cattura la realtà disordinata del rumore, degli errori di traduzione e della disposizione fisica in un unico numero facile da confrontare.

Il documento suggerisce che questo approccio aiuta i developer a smettere di indovinare basandosi su schede tecniche confuse e a iniziare a fare scelte informate su quale computer quantistico utilizzare per le loro specifiche esigenze. Tuttavia, gli autori avvertono che la fase di "traduzione" (transpilation) è attualmente un enorme collo di bottiglia, aggiungendo così tanto lavoro extra da rovinare le prestazioni di alcune macchine. Sperano che in futuro software più intelligenti possano risolvere questo problema affinché la "gara" sia equa per tutti.

In breve, il documento propone un nuovo modo equo per valutare i computer quantistici facendo correre loro un puzzle specifico e complicato, e le prime simulazioni mostrano che questo test può individuare quali macchine sono effettivamente pronte per le grandi leghe e quali stanno ancora inciampando nei propri lacci delle scarpe.

Sintesi Tecnica: GroverFigureOfMerit per la Caratterizzazione di Backend Quantistici

Definizione del Problema

L'era NISQ (Noisy Intermediate-Scale Quantum) presenta una sfida significativa per gli sviluppatori che tentano di selezionare l'hardware quantistico appropriato. Gli attuali fornitori di hardware quantistico espongono le proprie capacità attraverso interfacce eterogenee e metriche proprietarie (ad esempio, tempi di coerenza $T_1/T_2$ , tassi di errore dei gate) che variano ampiamente tra le diverse architetture (superconduttori, ioni intrappolati, fotonica, ecc.). Queste metriche statiche soffrono di tre limitazioni primarie:

Potere Predittivo Limitato: Non tengono conto dell'impatto del processo di traspilazione, in cui i circuiti ad alto livello vengono decomposti in gate nativi, risultando spesso in profondità fisiche sostanzialmente superiori alla profondità logica originale.
Mancanza di Rilevanza Contestuale: Le metriche statiche non racchiudono il comportamento specifico degli algoritmi, ignorando come le interazioni tra gate, i tempi di idle e la topologia influenzino i risultati finali.
Variabilità Temporale: Le proprietà dell'hardware fluttuano a causa di fattori ambientali, causando una rapida perdita di validità degli snapshot statici.

Di conseguenza, è necessario un Figure of Merit (FoM) indipendente dal backend che valuti le prestazioni olistiche dei backend quantistici catturando gli effetti combinati di rumore, traspilazione e vincoli topologici.

Metodologia

Gli autori propongono il GroverFigureOfMerit, un test di stress algoritmico basato sull'algoritmo di ricerca di Grover. La metodologia è implementata utilizzando il framework Qonscious, una piattaforma open-source progettata per l'esecuzione condizionale consapevole delle risorse.

1. Piattaforma di Implementazione (Qonscious):
Il framework utilizza Adapter Polimorfici (BackendAdapters) per astrarre le differenze tra gli SDK e le API dei vari provider (ad esempio, IBM, IonQ). Ciò consente che lo stesso circuito logico venga traspilato ed eseguito su qualsiasi backend supportato senza modificare il codice del FoM. Il flusso di esecuzione è condizionale, consentendo al risultato del FoM di alimentare una funzione decisionale per l'ottimizzazione a runtime.

2. Progettazione della Metrica:
Il GroverFigureOfMerit adatta la funzione di punteggio dall'approccio GRADE (Manor et al., 2025) all'architettura Qonscious. La metrica valuta le prestazioni dell'algoritmo di Grover, che amplifica quadraticamente la probabilità degli stati target. Il punteggio viene calcolato dopo $S=2000$ shot e incorpora:

Frequenza Relativa Cumulativa sugli Stati Target ( $P_T$ ): La somma delle probabilità degli stati marcati.
Probabilità sugli Stati Non-Target ( $P_N$ ): La massa di probabilità che filtra verso stati non marcati.
Deviazione Standard tra i Target ( $\sigma_T$ ): Una misura di uniformità per penalizzare gli errori coerenti in cui un target viene amplificato significativamente più degli altri.

Il punteggio finale è definito come:
$\text{Score} = \max(0, P_T - \lambda \cdot \sigma_T - \mu \cdot P_N)$
Dove $\lambda$ e $\mu$ sono fattori di bilanciamento (tipicamente impostati a 1) che penalizzano rispettivamente la non uniformità e la fuga di probabilità. Se la penalità di fuga supera la probabilità target, il punteggio è zero.

3. Setup Sperimentale:
Per validare la metrica senza fare affidamento sulla disponibilità in tempo reale di QPU in cloud, gli autori hanno utilizzato modelli di rumore derivati da processori reali:

IBM Fake Providers: Modelli che preservano la topologia e i profili di errore di specifici processori IBM.
Modello IonQ Aria 1: Un modello di rumore per l'architettura IonQ Aria 1.
Simulatori Ideali: AerSimulator e IonQ Simulator per il confronto di base.

Gli esperimenti hanno variato la dimensione dello spazio di ricerca ( $N$ ) e il numero di stati target ( $M$ ) per testare la sensibilità alla profondità del circuito e all'accumulo di rumore.

Risultati Chiave

Gli esperimenti hanno dimostrato che il GroverFigureOfMerit è sensibile al rumore, alla topologia e all'overhead di traspilazione:

Piccola Scala ( $N=8, n=3$ ): I simulatori ideali hanno raggiunto un punteggio perfetto di 1.0 al numero ottimale di iterazioni ( $M=2$ ). I modelli rumorosi (IBM Fake Providers) hanno mostrato punteggi degradati (compresi tra 0,495 e 0,792). Al limite algoritmico ( $M=4$ ), i punteggi di tutti gli hardware rumorosi sono crollati verso lo 0,5, riflettendo il caso del tentativo casuale classico.
Media Scala ( $N=32, n=5$ ): È stata osservata una degradazione più severa. Mentre i simulatori ideali mantenevano un'alta fedeltà, i modelli IBM sono crollati completamente a causa della decoerenza, riducendo i punteggi alle probabilità di indovinare casualmente ( $\approx 0,25$ ). Al contrario, il modello IonQ Aria 1 ha dimostrato una resilienza superiore, mantenendo punteggi significativamente sopra il limite casuale.
Scalabilità ( $N=8$ a $N=128$ ): Man mano che lo spazio di ricerca scalava, i processori IBM hanno mostrato un drastico calo nei punteggi (ad esempio, crollando a $\approx 0,040$ per $N=32$ ). Questa degradazione è stata attribuita non solo agli errori statici dei gate, ma specificamente al costo topologico della decomposizione di gate multi-controllati (mcx) per connettere qubit distanti, il che ha aumentato drasticamente la profondità del circuito.

Significato e Rivendicazioni

Il documento afferma che il GroverFigureOfMerit fornisce un punteggio unificato e confrontabile tra architetture hardware fisicamente distinte. Il suo significato primario risiede in:

Caratterizzazione Agnostica: Consente il confronto diretto di backend eterogenei astrando le chiamate API proprietarie e i set di gate nativi.
Valutazione Olistica: A differenza delle metriche statiche, cattura le prestazioni end-to-end, inclusi gli effetti cumulativi di traspilazione, rumore e vincoli topologici.
Ottimizzazione delle Risorse: Integrandosi con Qonscious, la metrica può attivare o annullare condizionalmente l'esecuzione, riducendo potenzialmente i costi nell'ambito del calcolo quantistico in cloud.

Gli autori dichiarano esplicitamente che la scelta dell'algoritmo di Grover è strettamente legata alla sua utilità come "stress test" per valutare le capacità di routing e la coerenza, piuttosto che per dimostrare un vantaggio algoritmico sull'attuale hardware rumoroso. Il documento identifica la validazione su processori fisici reali come il passo successivo necessario per catturare fenomeni dinamici come il crosstalk e le fluttuazioni termiche che i modelli di rumore potrebbero non rappresentare appieno. Inoltre, gli autori evidenziano l'attuale collo di bottiglia dell'ecosistema: l'alto costo della traspilazione quando si delega la complessa decomposizione dei gate ai compilatori specifici dei provider, suggerendo la necessità di astrazioni più intelligenti o rappresentazioni intermedie per mitigare l'overhead topologico.