⚛️ quantum physics

From Circuits to Hardware: Benchmarking Standard and Qubit-Efficient Quantum Optimization on Real Hardware

Questo articolo presenta un benchmark completo su hardware reale di vari algoritmi di ottimizzazione quantistica basati su gate su quattro problemi NP-hard su processori IBM Heron, rivelando che gli attuali livelli di rumore rendono la maggior parte dei risultati fattibili indistinguibili dal caso casuale e che, sebbene i metodi efficienti in termini di qubit estendano le dimensioni degli istanze eseguibili, essi rimangono vincolati da un rigoroso budget empirico di fedeltà.

Autori originali: Monit Sharma, Hoong Chuin Lau

Pubblicato 2026-07-14

📖 8 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Monit Sharma, Hoong Chuin Lau

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 risolvere un enorme puzzle aggrovigliato usando un braccio robotico nuovissimo e super fragile. Hai un sacco di strategie diverse: alcune cercano di afferrare tutto il puzzle in una volta sola, altre cercano di rimpicciolire il puzzle per farlo stare in tasca, altre ancora cercano di riorganizzare i pezzi prima ancora di iniziare. Questo articolo è come un gigantesco test di resistenza nel mondo reale di quei bracci robotici su quattro tipi di puzzle molto diversi, usando veri computer quantistici (i "bracci robotici") invece di limitarsi a fingere su uno schermo di un computer.

Ecco cosa è successo quando hanno messo alla prova queste strategie su hardware reale.

Il quadro generale: La trappola del "Puzzle in Tasca"

La scoperta principale è una dose di realtà. Per molto tempo, la gente ha pensato che il modo migliore per risolvere problemi difficili sui computer quantistici fosse rendere il problema più piccolo in modo che entri in meno "qubit" (le dita del robot). L'idea era: Meno dita = più facile da risolvere.

Ma l'articolo suggerisce che questo non è sempre vero. Sebbene rimpicciolire il puzzle (usando metodi "qubit-efficient") ti permetta di far entrare problemi più grandi nella macchina, non ti garantisce di ottenere una buona risposta. In effetti, a volte rimpicciolire il puzzle fa sì che il braccio robotico traballi così tanto a causa del rumore da farti cadere i pezzi. Gli autori hanno misurato questo su veri processori IBM Heron e hanno scoperto che il solo fatto che un metodo utilizzi meno qubit non significa che funzioni meglio. È come cercare di trasportare una scatola pesante in uno zainetto minuscolo; certo, lo zaino è piccolo, ma se la scatola è troppo pesante per la tua schiena, finirai comunque per farla cadere.

I Quattro Puzzle: Una storia di quattro problemi

I ricercatori hanno testato quattro diversi tipi di problemi "NP-hard" (il che significa che sono super difficili anche per i computer normali). Ognuno si è comportato in modo diverso:

Il Problema dello Zaino Multidimensionale (MDKP): Immagina un viaggio con lo zaino in spalla dove devi imballare oggetti che sono pesanti, occupano spazio e devono stare in scomparti specifici.
- Cosa è successo: Questo è stato il "giusto mezzo". Tutti i metodi, da quelli grandi a quelli compressi e minuscoli, sono riusciti effettivamente a trovare alcune soluzioni valide. I metodi compressi (PCE e QRAO) hanno funzionato bene qui, dimostrando che rimpicciolire il problema può aiutare, ma solo se il braccio robotico è abbastanza stabile.
L'Insieme Indipendente Massimo (MIS): Immagina una festa dove vuoi invitare il maggior numero possibile di ospiti, ma non possono esserci due ospiti che sono nemici (non possono sedersi vicini).
- Cosa è successo: Questo è stato il "precipizio". Per le feste piccole, i robot sono andati alla grande. Ma man mano che la festa diventava più grande, i robot hanno improvvisamente smesso di funzionare. L'articolo mostra un netto "precipizio di fattibilità" dove, una volta che il problema diventa leggermente troppo grande, il rumore sull'hardware reale rende impossibile trovare qualsiasi lista di ospiti valida. È come cercare di bilanciare una casa di carte in un uragano; funziona per poche carte, ma poi puff, tutto crolla.
Il Problema dell'Assegnazione Quadratica (QAP): Immagina di assegnare 10 o 12 persone a 10 o 12 scrivanie, ma il costo dipende da quanto sono lontane tra loro e da chi parla con chi.
- Cosa è successo: Questo è stato il "fallimento totale". L'articolo afferma esplicitamente che nessun metodo testato ha restituito una singola soluzione valida per questo problema sull'hardware reale. Perché? Perché le regole sono così rigide (come una permutazione specifica che le risposte valide sono incredibilmente rare — circa 1 su $10^{23}$ fino a $10^{34}$ possibili configurazioni sono corrette). Il rumore sul computer ha coperto il segnale così completamente che i robot stavano solo tirando a indovinare casualmente. Gli autori sostengono che non si tratti solo di un problema di "abbiamo bisogno di computer migliori"; la struttura stessa del problema è troppo densa per la tecnologia attuale.
Il Problema della Quota di Mercato (MSP): Immagina di dover dividere una pizza in modo che tutti ricevano esattamente la dimensione della fetta che ha ordinato.
- Cosa è successo: Questo è stato il "paradosso della compressione". I metodi compressi (PCE e QRAO) hanno rimpicciolito il problema a soli 7–11 qubit (minuscoli!), mentre i metodi normali ne richiedevano fino a 156. Ma ecco il colpo di scena: i metodi minuscoli hanno ottenuto risultati terribili. Non riuscivano a raggiungere gli obiettivi. I metodi normali, più grandi, hanno fatto meglio. Questo dimostra che rendere il problema più piccolo non rende automaticamente migliore la risposta.

Il Fattore "Rumore": Quando il Robot Traballa

L'articolo introduce un modo interessante per misurare quanto il computer traballa. Lo chiamano un "proxy di fedeltà" ( $F_{est}$ ). Pensatelo come un "metro segnale-rumore".

Se il metro è alto (intorno a 0,1 o 10%), il robot è abbastanza stabile da sentire le istruzioni.
Se il metro scende sotto lo 0,001 (0,1%), il robot è così traballante che sta praticamente girando a vuoto.

Hanno scoperto che per molti dei metodi stile "QAOA" (una popolare famiglia di algoritmi), il robot era così instabile che i risultati erano indistinguibili dal semplice scegliere una risposta casuale. L'articolo ha eseguito un test di controllo in cui ha confrontato l'output del robot con una scelta casuale uniforme. Per la maggior parte dei circuiti grandi e complessi, il robot non faceva meglio di una scelta casuale. In effetti, per un caso specifico, un metodo "warm-start" ha fatto leggermente meglio del caso casuale, ma questa è stata una rara eccezione, non la regola.

Cosa Esclude l'Articolo

Gli autori sono molto attenti a dire cosa non hanno trovato:

Escludono l'idea che "meno qubit = prestazioni migliori". I dati mostrano che rimpicciolire il circuito spesso introduce altri problemi (come circuiti più profondi dopo la traduzione) che annullano i benefici.
Escludono l'idea che i metodi QAOA siano attualmente pronti per il grande pubblico su questi problemi difficili. Dopo che il computer traduce le istruzioni nel proprio linguaggio (transpilation), i circuiti diventano così enormi e rumorosi da fallire. Anche se avessero provato a ottimizzare il routing (come il robot muove le dita), i circuiti sarebbero comunque troppo instabili per funzionare.
Escludono l'idea che i risultati delle simulazioni (fingere su un computer perfetto) raccontino tutta la storia. Il divario tra la "simulazione perfetta" e l' "hardware reale" è enorme. Un metodo che sembra ottimo in una simulazione spesso fallisce miseramente sull'hardware reale a causa dei passaggi extra necessari per farlo funzionare.

Quanto sono Sicuri?

Gli autori sono molto sicuri di ciò che hanno misurato. Non hanno tirato a indovinare; hanno eseguito 247 diverse combinazioni di metodi e problemi su veri processori IBM Heron (nello specifico le versioni r1 e r2). Hanno registrato ogni singolo passaggio, dalla traduzione del codice al risultato finale.

Hanno misurato l'esatto numero di gate (passaggi) che il robot doveva compiere.
Hanno misurato i tassi di errore dei chip specifici che hanno usato.
Hanno simulato alcune parti per avere un punto di riferimento, ma sono chiari nel dire che i risultati della simulazione sono solo un riferimento, non la risposta finale.

Non stanno sostenendo che i computer quantistici siano inutili. Stanno dicendo che per questi problemi specifici e per queste specifiche macchine attuali, la strategia del "rimpicciolire il problema" ha dei limiti, e alcuni problemi (come il QAP) sono semplicemente troppo difficili al momento. Suggeriscono che dobbiamo guardare l'immagine completa — la dimensione del problema, il rumore e come il codice viene tradotto — piuttosto che contare solo i qubit.

Il Messaggio per un Adolescente Curioso

Pensa all'ottimizzazione quantistica come al cercare di inviare un messaggio in una stanza rumorosa.

Il modo "Standard" è gridare l'intero messaggio chiaramente. È forte, ma se la stanza è troppo grande, il rumore lo sommergerà.
Il modo "Compresso" è sussurrare un messaggio in codice. È più silenzioso e occupa meno spazio, ma se il codice è troppo complesso o la stanza è troppo rumorosa, nessuno potrà decodificarlo e otterrai solo frasi senza senso.

Questo articolo dice: "Ehi, sussurrare non è sempre la soluzione! A volte, il rumore nella stanza è così forte che anche il miglior codice si perde. E per alcuni puzzle davvero complicati (come il QAP), la stanza è semplicemente troppo rumorosa perché i nostri attuali robot possano risolverli."

Gli autori non stanno dicendo "arrendetevi". Stanno dicendo: "Smettiamola di pretendere che, solo perché abbiamo rimpicciolito il puzzle, lo abbiamo risolto. Dobbiamo guardare tutto il caos — il rumore, la traduzione e il risultato effettivo — per vedere cosa sta davvero funzionando."

Titolo: Dai Circuiti all'Hardware: Benchmarking di Ottimizzazione Quantistica Standard e Qubit-Efficient su Hardware Reale

Autori: Monit Sharma e Hoong Chuin Lau
Pubblicazione: IOP Publishing (Journal of Quantum Science and Technology, forthcoming)

Problema

Nonostante i rapidi progressi negli algoritmi di ottimizzazione quantistica, il campo manca di benchmark su hardware reale che confrontino ampie famiglie algoritmiche attraverso diversi problemi combinatori classici difficili sotto un protocollo unificato. Le valutazioni esistenti sono spesso limitate a singole classi di problemi, singole famiglie di algoritmi o contesti basati su simulatori che non tengono conto dei vincoli pratici quali l'overhead di compilazione, la connettività dei qubit, il rumore delle porte e la variabilità di esecuzione. Di conseguenza, rimane difficile valutare come diverse strategie (metodi variazionali standard rispetto a codifiche qubit-efficient) si confrontino quando mappate su dispositivi reali, o determinare quando le formulazioni qubit-efficient offrano un reale vantaggio pratico oltre alla nominale riduzione della larghezza.

Metodologia

Gli autori presentano uno studio di benchmarking consapevole dell'hardware eseguito su processori IBM Heron r1 e r2 (dispositivi a transmon superconduttori) sotto mitigazione del livello di resilienza-2. Lo studio valuta metodi di ottimizzazione quantistica basati su porte attraverso quattro classi di problemi combinatori NP-hard:

Multi-Dimensional Knapsack Problem (MDKP): Vincoli di tipo packing.
Maximum Independent Set (MIS): Struttura di indipendenza basata su grafi.
Quadratic Assignment Problem (QAP): Assegnazione quadratica densa e fortemente accoppiata.
Market Share Problem (MSP): Vincoli di bilanciamento guidati da applicazioni.

Famiglie Algoritmiche Testate:

Minimizzazione dell'Energia Variazionale: Variational Quantum Eigensolver (VQE) e Conditional Value-at-Risk VQE (CVaR-VQE).
Stile QAOA: QAOA standard, Warm-Start QAOA (WS-QAOA) e Multi-Angle QAOA (MA-QAOA).
Codifiche Qubit-Efficient: Pauli Correlation Encoding (PCE) e Quantum Random Access Optimization (QRAO).

Protocollo Sperimentale:

Workflow: Tutti i problemi sono stati convertiti in forma Quadratic Unconstrained Binary Optimization (QUBO) utilizzando penalità quadratiche, per poi essere mappati su Hamiltoniani di Ising.
Esecuzione: Lo studio ha utilizzato un protocollo di ottimizzazione variazionale a shot fissi (ottimizzatore COBYLA, 200 iterazioni, 1.000 shot per valutazione) su hardware reale.
Metriche: Il benchmark riporta la qualità della soluzione (gap di ottimalità o deviazione dal target), la fattibilità, la larghezza del circuito a livello algoritmico, la profondità del circuito traspilato, il conteggio delle porte a due qubit ( $N_{2Q}$ ), l'overhead di compilazione ed la robustezza di esecuzione.
Modellazione della Fedeltà: Una proxy di fedeltà basata sul conteggio delle porte d'errore indipendente ( $F_{est} \approx (1 - \epsilon_{2Q})^{N_{2Q}}$ ) è stata derivata dai dati di calibrazione del backend per distinguere i regimi di esecuzione preservanti il segnale da quelli dominati dal rumore.

Contributi Chiave

Benchmark Unificato Cross-Family: Il primo benchmark unificato che valuta metodi variazionali, di stile QAOA e qubit-efficient attraverso quattro problemi NP-hard strutturalmente distinti sotto un comune protocollo sperimentale.
Valutazione Consapevole dell'Hardware: Uno spostamento dalle stime di risorse idealizzate a un protocollo che tratta l'overhead di compilazione, le caratteristiche del circuito traspilato e la robustezza di esecuzione come dimensioni primarie del benchmark.
Soglie di Rumore Quantitative: L'instaurazione di una soglia di fedeltà empiricamente fondata ( $F_{est} \approx 0.1$ , corrispondente a circa 770 porte a due qubit su Heron-r2) che segna la transizione verso l'esecuzione dominata dal rumore.
Baseline Riproducibile: Una baseline empirica completamente riproducibile che include stack software, metadati del backend, politiche di traspilazione e diagnostica per istanza, con tutto il codice e le istanze pubblicamente disponibili.

Risultati Chiave

MDKP (Regime Bilanciato): Tutte le famiglie di metodi hanno restituito soluzioni fattibili. I metodi qubit-efficient (PCE, QRAO) hanno ridotto significativamente i requisiti di qubit ma non hanno superato uniformemente i metodi a larghezza completa nella qualità della soluzione. CVaR-VQE ha mostrato prestazioni forti su specifiche istanze.
MIS (Cliff di Fattibilità): È stato osservato un brusco breakdown della fattibilità all'aumentare della dimensione dell'istanza. Mentre le istanze piccole sono state risolte con gap zero, le istanze più grandi (64+ qubit) hanno visto un collasso della fattibilità per la maggior parte dei metodi, con solo Warm-Start QAOA che rimaneva fattibile sulla più grande istanza testata.
QAP (Barriera Strutturale): Nessun metodo hardware testato ha restituito un'assegnazione fattibile per alcuna istanza QAP. La combinazione di interazioni dense, vincoli one-hot stretti e un manifold fattibile esponenzialmente sparso ( $10!/2^{100} \approx 10^{-23.54}$ ) ha reso tutti i pipeline testati infattibili sull'hardware attuale, anche per le istanze più piccole.
MSP (Compressione vs Qualità): Le codifiche qubit-efficient hanno ottenuto una drammatica riduzione della larghezza (7–11 qubit rispetto a 48–156) ma hanno prodotto una qualità della soluzione recuperata significativamente peggiore (grandi deviazioni dal target) rispetto ai metodi a larghezza completa.
Overhead di Compilazione: La traspilazione ha aumentato i conteggi delle porte a due qubit di fattori da 4.5 a 6.2 tra le famiglie di problemi. Per i circuiti della famiglia QAOA, i conteggi traspilati delle porte a due qubit hanno spesso superato le 20.000, spingendo $F_{est}$ al di sotto di $10^{-30}$ .
Dominanza del Rumore: Un controllo uniforme-casuale corrispondente ha mostrato che per le esecuzioni QAOA-family a bassa fedeltà ( $F_{est} < 10^{-3}$ ), la maggior parte degli esiti fattibili rientrava nel range empirico casuale, suggerendo che il segnale fosse dominato dal rumore.
Gap Simulatore-Hardware: Le classifiche del simulatore non si sono trasferite uniformemente all'hardware. In alcuni casi MDKP, le esecuzioni su hardware hanno raggiunto gap inferiori rispetto ai simulatori (potenzialmente a causa della stochasticità a shot finiti), mentre in altri, le prestazioni dell'hardware sono degradate significativamente.

Significato e Rivendicazioni

Il documento non rivendica un vantaggio quantistico pratico rispetto ai solver classici. Stabilisce invece una sistematica baseline empirica per valutare l'ottimizzazione quantistica sotto vincoli realistici.

Il Conteggio dei Qubit è Insufficiente: Lo studio dimostra che un minor numero di qubit (tramite compressione) non implica costantemente una migliore performance finale sull'hardware. I guadagni dalla riduzione della larghezza sono spesso compensati dall'overhead di traspilazione, dall'aumento della profondità effettiva del circuito o dalla degradazione della robustezza.
Viabilità Dipendente dal Problema: La performance pratica dipende fortemente dall'interazione tra la struttura del problema, la scelta della codifica e i vincoli dell'hardware. Un metodo competitivo su una classe di problemi (es. MDKP) può fallire completamente su un'altra (es. QAP).
La Compilazione come Metrica di Prima Classe: L'identità di un metodo di ottimizzazione quantistica cambia materialmente dopo la traspilazione. I benchmark devono riportare le caratteristiche del circuito traspilato (profondità, $N_{2Q}$ ) piuttosto che solo la larghezza algoritmica per fornire un quadro completo della deployability.
Soglie di Fedeltà: Le soglie $F_{est}$ derivate forniscono una guida azionabile, indicando che l'hardware attuale è probabilmente dominato dal rumore per i circuiti QAOA profondi e per i problemi di assegnazione densi, limitando il regime in cui i metodi quantistici possono essere affidabilmente testati.

Gli autori concludono che il benchmarking nel breve termine dovrebbe concentrarsi sulla caratterizzazione dei trade-off (larghezza vs qualità, design algoritmico vs costo compilato) piuttosto che sulla ricerca di un singolo "miglior" algoritmo, e che le rivendicazioni di vantaggio pratico devono essere supportate dalla qualità della soluzione realizzata sull'hardware e dalle diagnostiche di esecuzione, non solo dai risultati del simulatore o dai conteggi nominali dei qubit.