Distributed Variational Quantum Eigensolver: Embarrassingly Parallel strategies on NISQ
Questo articolo valuta tre strategie di parallelismo massivo per il Variational Quantum Eigensolver su dispositivi NISQ utilizzando la piattaforma di emulazione CUNQA, analizzando i loro compromessi tra accelerazione e accuratezza in presenza di rumore etogeneo.
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
Il mondo del calcolo quantistico sta attualmente attraversando una fase difficile ma promettente, nota come l'era del "rumore a scala intermedia" (noisy intermediate-scale). In questo periodo, le macchine che possediamo sono abbastanza potenti da eseguire calcoli complessi che i computer classici faticano a gestire, ma sono ancora afflitte da imperfezioni. Queste imperfezioni, o "rumore", causano errori nelle macchine, limitando la durata di un calcolo prima che i risultati diventino inattendibili. Per superare questi limiti, gli scienziati stanno esplorando una strategia chiamata calcolo quantistico distribuito. Invece di fare affidamento su una singola macchina massiccia che non esiste ancora, questo approccio collega diverse macchine più piccole e imperfette per lavorare insieme su un singolo problema. La sfida consiste nel capire come suddividere il lavoro tra questi diversi dispositivi senza lasciare che i loro difetti individuali rovinino il risultato finale.
Uno dei compiti più importanti per queste macchine è trovare lo stato di energia minima di un sistema fisico, un processo noto come Variational Quantum Eigensolver. Immaginate di cercare la valle più profonda in un vasto paesaggio nebbioso. Il computer quantistico agisce come una guida capace di percepire il terreno, mentre un computer classico agisce come un navigatore, regolando il percorso in base a ciò che la guida riferisce. Questo processo richiede che la macchina quantistica esegua lo stesso calcolo migliaia di volte per ottenere una lettura affidabile. Poiché questo compito comporta così tante ripetizioni, è un candidato ideale per suddividere il lavoro su più dispositivi. Tuttavia, se questi dispositivi non sono identici — ovvero, se uno è più rumoroso degli altri — il modo in cui il lavoro viene diviso può cambiare significatamente la velocità e l'accuratezza del risultato.
I ricercatori del Centro di Supercalcolo della Galizia, in Spagna, si sono posti l'obiettivo di testare esattamente come dividere questo lavoro nel modo più efficace. Non hanno utilizzato computer quantistici fisici per questo studio, poiché la tecnologia è ancora in evoluzione. Al loro posto, hanno utilizzato una sofisticata piattaforma di simulazione chiamata CUNQA per creare un ambiente virtuale. In questo mondo digitale, hanno costruito un pool di processori quantistici virtuali, ciascuno programmato per imitare gli errori specifici e i modelli di rumore delle macchine reali di diversi produttori, inclusi IBM e OQC. Eseguendo i loro esperimenti in questo ambiente simulato e controllato, potevano isolare gli effetti del rumore e testare diverse strategie senza l'imprevedibilità dell'hardware reale.
Il team ha confrontato tre modi distinti per distribuire il carico di lavoro. Il primo metodo, chiamato distribuzione a livello di shot (shot-level distribution), consiste nel prendere un singolo calcolo e suddividere il numero totale di misurazioni in piccoli lotti. Questi lotti vengono inviati a diverse macchine virtuali e i risultati vengono combinati in seguito. Il secondo metodo, la distribuzione a livello di circuito (circuit-level distribution), assegna interi calcoli separati a diverse macchine. Questo è utile quando un singolo passaggio del problema richiede la valutazione di molte parti diverse del sistema simultaneamente. Il terzo metodo, la distribuzione a livello di candidato (candidate-level distribution), è progettato per un tipo specifico di approccio di risoluzione dei problemi che testa molti diversi potenziali risultati contemporaneamente. In questo caso, ogni potenziale soluzione viene inviata a una macchina diversa per essere valutata indipendentemente.
I ricercatori hanno scoperto che la migliore strategia dipende fortemente dal tipo di risolutore del problema in uso e dalla qualità delle macchine disponibili. Quando l'obiettivo era semplicemente suddividere le misurazioni, i risultati hanno mostrato che questo metodo funziona bene solo quando il numero totale di misurazioni è molto elevato. Se il numero di misurazioni è piccolo, il tempo impiegato per inviare i dati avanti e indietro tra le macchine supera il tempo risparmiato eseguendole in parallelo. Tuttavia, quando il carico di lavoro consisteva nell'eseguire molti calcoli separati, suddividere i circuiti tra diverse macchine si è rivelato molto più efficiente.
È emersa una scoperta critica riguardo all'impatto del rumore. Le simulazioni hanno rivelato che non tutte le macchine sono uguali e che mescolarle richiede cautela. Quando i ricercatori hanno utilizzato un metodo che si basa su informazioni geometriche precise per guidare la ricerca, la presenza di anche una sola macchina rumorosa nel gruppo poteva destabilizzare l'intero processo, causando oscillazioni nei risultati o il fallimento della convergenza. Al contrario, un metodo che testa molte diverse soluzioni contemporaneamente si è dimostrato più resiliente. Poiché questo approccio valuta molte possibilità simultaneamente, può semplicemente ignorare i risultati delle macchine più rumorose e concentrarsi su quelle migliori. Lo studio ha anche mostato che ruotare la macchina che gestisce ogni parte del lavoro aiuta a prevenire che un singolo dispositivo possa influenzare costantemente i risultati in modo distorto, portando a esiti leggermente più veloci e affidabili.
In definitiva, il lavoro dimostra che non esiste una soluzione unica "universale" per connettere i computer quantistici. Il modo più efficace per distribuire un compito dipende dallo specifico algoritmo utilizzato e dalle caratteristiche dell'hardware disponibile. Per alcuni problemi, suddividere le misurazioni è sufficiente, mentre per altri, assegnare interi compiti a diverse macchine è decisamente superiore. Lo studio suggerisce che, man mano che la tecnologia quantistica matura e più dispositivi vengono collegati tra loro, la capacità di gestire intelligentemente queste differenze sarà importante quanto la potenza delle macchine stesse. Comprendendo come il rumore interagisce con diverse strategie di distribuzione, gli scienziati possono prepararsi meglio per un futuro in cui il calcolo quantistico sarà uno sforzo collaborativo e distribuito, piuttosto che una corsa solitaria verso una singola macchina perfetta.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.