When is global evolutionary search useful for variational quantum algorithms? A landscape-first study

Nella ricerca di soluzioni per problemi troppo complessi per gli odierni supercomputer, gli scienziati si stanno rivolgendo a un nuovo tipo di macchina: il computer quantistico. Questi dispositivi utilizzano le strane regole della fisica quantistica per esplorare molte possibilità contemporaneamente. Tuttavia, costruire un computer quantistico in grado di risolvere problemi del mondo reale è incredibilmente difficile. Uno degli approcci più promettenti prevede un metodo ibrido chiamato algoritmo quantistico variazionale. In questa configurazione, una macchina quantistica prepara uno stato specifico della materia, mentre un computer classico agisce come una guida, regolando costantemente le impostazioni della macchina quantistica per trovare la risposta migliore possibile. La sfida risiede nel compito della guida: deve navigare in un panorama vasto e accidentato per trovare la valle più bassa, che rappresenta la soluzione corretta. A volte, la guida rimane intrappolata in un avvallamento piccolo e superficiale che sembra il fondo, ma non lo è, perdendo la vera soluzione nascosta in una valle più profonda nelle vicinanze.

Per anni, i ricercatori hanno dibattuto su quale sia il modo migliore per guidare queste macchine. L'approccio standard è quello di utilizzare una ricerca locale, un metodo che parte da un punto casuale e scende lungo il pendio più vicino finché non raggiunge un fondo. Se quel fondo non è abbastanza buono, il processo viene ripetuto da un nuovo punto di partenza casuale. È come inviare molti escursionisti per trovare il punto più basso in una catena montuosa; se tutti rimangono bloccati in piccole conche, il team potrebbe perdere la vera valle principale. Un'alternativa è quella di utilizzare una ricerca globale, che osserva l'intero panorama in una volta sola, utilizzando una popolazione di candidati per saltare tra diverse aree ed evitare di rimanere intrappolati. La grande domanda è stata: quando è effettivamente necessaria la ricerca globale, costosa e complessa, e quando la ricerca locale, più semplice, è sufficiente? Un nuovo studio condotto da ricercatori della Technical University of Ostrava e della Klaipeda University ha risposto a questo quesito mappando il terreno stesso, rivelando che la difficoltà del problema dipende meno dalla grandezza della catena montuosa e più da come le valli sono disposte.

I ricercatori hanno iniziato creando un ambiente controllato per testare cosa renda un panorama difficile per una ricerca locale. Hanno utilizzato un tipo specifico di algoritmo quantistico noto come Quantum Approximate Optimization Algorithm, progettato per risolvere problemi combinatori complessi. Invece di eseguire semplicemente l'algoritmo su problemi casuali, hanno inserito deliberatamente due caratteristiche specifiche nei circuiti quantistici per vedere se queste caratteristiche avrebbero confuso la ricerca locale. La prima caratteristica riguardava una tecnica chiamata riutilizzo dei parametri vincolati (tied parameter reuse). In una configurazione standard, un circuito quantistico ha molti strati, e ogni strato ha le proprie impostazioni uniche. In questo esperimento, i ricercatori hanno costretto il circuito a utilizzare le stesse identiche impostazioni per più strati consecutivi. La seconda caratteristica consisteva nel mescolare diversi tipi di interazioni all'interno del problema, combinando specificamente semplici connessioni a due parti con connessioni più complesse a tre parti. Hanno poi messo alla prova una ricerca locale standard contro un metodo di ricerca globale più avanzato basato su principi evolutivi, che imita la selezione naturale facendo evolvere una popolazione di soluzioni nel tempo.

I risultati sono stati chiari e specifici. Quando i ricercatori hanno utilizzato il riutilizzo dei parametri vincolati, la ricerca locale è fallita costantemente nel trovare le migliori soluzioni, rimanendo intrappolata in valli inferiori, mentre la ricerca globale ha avuto successo. Ciò è accaduto anche se il numero totale di impostazioni che il computer doveva regolare rimaneva lo stesso. Sorprendentemente, il semplice fatto di rendere il circuito quantistico più profondo, aggiungendo più strati con impostazioni uniche, non ha prodotto lo stesso problema. La ricerca locale gestiva senza problemi gli strati più profondi e indipendenti. Questo risultato smentisce l'idea che la complessità da sola sia il nemico; non è la dimensione del circuito a causare problemi, ma piuttosto il modo specifico in cui le impostazioni vengono ripetute e riutilizzate. Il secondo meccanismo, ovvero il mescolamento di interazioni a due e tre parti, ha creato un panorama in cui la ricerca locale ha faticato, mentre la ricerca globale ha trovato il vero fondo. I ricercatori hanno scoperto che la difficoltà non derivava solo dall'avere molte colline e valli, ma dall'avere valli di profondità molto diverse che apparivano simili da lontano, causando alla ricerca locale di accontentarsi di un avvallamento superficiale invece della soluzione profonda.

Per garantire che questi risultati non fossero solo un caso fortuito di un singolo esempio, i ricercatori hanno testato le loro idee su otto problemi completamente nuovi e mai visti prima. Hanno anche applicato gli stessi test a diversi tipi di modelli quantistici, inclusi quelli utilizzati per trovare il modo migliore di dividere una rete in due gruppi e modelli utilizzati per simulare materiali magnetici. Il modello ha tenuto fermo. Sui nuovi problemi, il riutilizzo dei parametri vincolati e le interazioni miste hanno costantemente fatto fallire la ricerca locale, mentre la ricerca globale ha prosperato. Al contrario, i modelli standard per la simulazione di materiali magnetici sono rimasti facili da risolvere per la ricerca locale, nonostante fossero sistemi quantistici complessi. Ciò ha confermato che la difficoltà non è una proprietà inerente a tutti i problemi quantistici, ma una caratteristica specifica di certi design di circuiti. Lo studio ha dimostrato che la ricerca locale fallisce quando finisce frequentemente in valli che sono significativamente peggiori rispetto alla migliore valle possibile, una situazione che la ricerca globale è progettata per evitare.

Il risultato più pratico di questo lavoro è un nuovo modo per prevedere quale metodo di ricerca utilizzare prima di eseguire i costosi calcoli quantistici. I ricercatori hanno sviluppato uno strumento diagnostico semplice che agisce come un rilievo topografico. Eseguendo alcuni test rapidi e a basso costo sul panorama — controllando quanti diversi punti bassi una ricerca casuale trova e quanto differiscono in qualità questi punti — potevano prevedere con alta precisione se una ricerca globale valesse lo sforzo extra. Nei test su cinquanta nuovi obiettivi quantistici, questo strumento diagnostico ha predetto correttamente la necessità di una ricerca globale circa l'ottanta-ottantasei percenti delle volte. Ciò significa che in futuro gli scienziati potrebbero non dover indovinare o eseguire infiniti benchmark per scegliere un ottimizzatore. Possono invece dare un rapido sguardo alla forma del panorama del problema e decidere immediatamente se inviare un singolo escursionista o un'intera spedizione.

Lo studio chiarisce anche cosa non è importante. I ricercatori hanno mostrato esplicitamente che aumentare semplicemente la profondità del circuito quantistico o il numero di parametri non rende automaticamente un problema più difficile per una ricerca locale. La confusione spesso deriva dall'idea che più complessità equivalga sempre a maggiore difficoltà, ma questo articolo dimostra che è la struttura della complessità a contare. Se il panorama ha molte piccole valli simili, una ricerca locale può comunque trovare una buona soluzione. È solo quando il panorama contiene poche valli profonde e nascoste circondate da molte altre valli superficiali e fuorvianti che la ricerca locale diventa inaffidabile. Questa distinzione è cruciale per progettare migliori algoritmi quantistici, suggerendo che gli ingegneri potrebbero essere in grado di scambiare parte della complessità del circuito quantistico con un problema di ottimizzazione classica più difficile, qualora abbiano accesso a potenti strumenti di ricerca globale.

In definitiva, questa ricerca fornisce una tabella di marcia per navigare nel futuro dell'informatica quantistica. Sposta il campo dalla fase di tentativi ed errori dei benchmark verso una comprensione più scientifica dei problemi che queste macchine affrontano. Identificando le caratteristiche geometriche specifiche che intrappolano le ricerche locali, i ricercatori hanno dato alla comunità un segnale chiaro: quando un problema quantistico presenta un panorama in cui le ricerche locali finiscono frequentemente in bacini significativamente inferiori, è il momento di ricorrere alla ricerca globale. Questa intuizione permette un uso più intelligente ed efficiente delle risorse quantistiche, assicurando che l'immenso potenziale di queste macchine non vada perduto a causa dei limiti degli strumenti utilizzati per guidarle. Il lavoro suggerisce che la chiave per sbloccare la potenza degli algoritmi quantistici non risiede solo nel costruire macchine migliori, ma nel comprendere il terreno che devono attraversare.