A Case Study on Noise Resilient Operator Selection in Adaptive Variational Quantum Algorithms

Per comprendere la chimica del mondo che ci circonda, dai materiali nei nostri smartphone ai farmaci che ci curano, gli scienziati devono prima di tutto capire come gli elettroni si dispongono all'interno delle molecole. La disposizione più stabile di questi elettroni è chiamata stato fondamentale, e trovarla è come risolvere un puzzle complesso dove i pezzi cambiano continuamente posizione. Per decenni, i computer classici hanno faticato in questo compito perché il numero di possibili disposizioni cresce così velocemente che nemmeno i supercomputer più potenti riescono a stare al passo per qualsiasi cosa non sia una molecola semplicissima. I computer quantistici offrono una strada diversa. Invece di cercare di calcolare ogni possibilità una alla volta, utilizzano le strane regole della meccanica quantistica per esplorare molte possibilità contemporaneamente. Uno dei modi più promettenti per utilizzare queste macchine è un metodo chiamato variatonal quantum eigensolver, che agisce come una ricerca guidata, affinando lentamente un tentativo finché non trova lo stato di energia più basso. Tuttavia, i computer quantistici odierni sono ancora ai loro inizi; sono rumorosi, il che significa che i loro componenti commettono frequenti, minuscoli errori che possono sballare l'intero calcolo.

Una versione specifica di questo metodo di ricerca, nota come ADAPT-VQE, ha attirato l'attenzione perché costruisce la sua soluzione passo dopo passo, scegliendo i pezzi più utili man mano che procede. Questa adattabilità la rende più efficiente rispetto ai metodi più vecchi, ma introduce anche una nuova vulnerabilità: il passaggio in cui il computer decide quale pezzo aggiungere successivamente. Se il rumore nella macchina distorce il segnale utilizzato per prendere quella decisione, l'algoritmo potrebbe scegliere il pezzo sbagliato, portandolo verso un vicolo cieco. I ricercatori Soorya Haravu, Mafalda Ramôa e Bharath Sambasivam si sono posti l'obiettivo di investigare esattamente come questo rumore influenzi quel critico processo decisionale. Non hanno costruito un computer quantistico fisico per questo studio; invece, hanno creato una simulazione altamente dettagliata su un computer classico per imitare il modo in cui un vero dispositivo quantistico si comporterebbe sotto diversi tipi di rumore. Il loro caso di test è stato una semplice molecola composta da tre atomi di idrogeno disposti in linea, un sistema abbastanza piccolo da essere simulato accuratamente ma abbastanza complesso da rivelare gli effetti sottili degli errori.

Il team ha simulato due ampie categorie di rumore che affliggono l'hardware quantistico reale. Il primo tipo, chiamato rumore incoerente, è come l'interferenza su una linea radio; è casuale e imprevedibile, causando la perdita di informazioni in un modo difficile da invertire. Il secondo tipo, il rumore coerente, è più simile a un leggero e costante disallineamento in una bussola; la macchina commette sempre lo stesso piccolo errore nella stessa direzione, il che può essere altrettanto dannoso perché questi errori si accumulano l'uno sull'altro. Nelle loro simulazioni, i ricercatori hanno iniettato questi errori specificamente nel momento in cui l'algoritmo misurava il "gradiente", un valore che indica al computer quanto un potenziale nuovo pezzo migliorerebbe la soluzione. Hanno scoperto che anche una piccola quantità di rumore poteva distorcere queste misurazioni, facendo apparire il panorama delle scelte piatto e confuso. Quando il panorama si appiattisce, l'algoritmo perde il senso dell'orientamento. Smette di trovare nuovi pezzi migliori e invece continua a scegliere sempre gli stessi, rimanendo di fatto bloccato prima di poter raggiungere la risposta corretta.

Per combattere questo, i ricercatori hanno testato tre diverse strategie progettate per pulire il segnale senza la necessità di hardware aggiuntivo. La prima, il decoupling dinamico, consiste nell'applicare una serie di rapidi impulsi di controllo al sistema per annullare il rumore, proprio come le cuffie a cancellazione del rumore utilizzano le onde sonore per silenziare il rumore di fondo. La seconda, l'estrapolazione del rumore zero, funziona rendendo intenzionalmente il rumore peggiore in modo controllato, misurando il risultato e poi usando la matematica per indovinare quale sarebbe stata la risposta se non ci fosse stato alcun rumore. La terza, il Pauli twirling, è una tecnica che rimescola il rumore in modo che si comporti più casualmente, rendendolo più facile da gestire. Il team ha scoperto che nessun metodo singolo funzionava per ogni situazione. Per il rumore casuale, simile a un fruscio statico, l'approccio più efficace era combinare i rapidi impulsi di controllo con la tecnica di estrapolazione del rumore. Questa combinazione ha ripristinato con successo la capacità dell'algoritmo di vedere il percorso corretto, permettendogli di selezionare i pezzi giusti e raggiungere la soluzione chimicamente accurata.

Nel gestire il rumore di tipo consistente, ovvero quello del disallineamento, i ricercatori hanno scoperto che era necessaria una combinazione diversa. Hanno scoperto che rimescolare prima il rumore, e poi applicare o i rapidi impulsi o il metodo di estrapolazione, era la chiave del successo. In effetti, utilizzare tutte e tre le tecniche insieme forniva la protezione più robusta contro questo tipo di errore. Una scoperta cruciale del loro lavoro è che l'algoritmo non ha bisogno di scegliere il pezzo assolutamente migliore ad ogni singolo passaggio per avere successo. Finché le tecniche di mitigazione del rumore mantengono l'algoritmo in movimento e impediscono che si blocchi, esso può comunque arrivare alla risposta finale corretta, anche se il percorso specifico intrapreso appare diverso dal percorso che avrebbe seguito una macchina perfetta. Tuttavia, i ricercatori hanno anche notato una sfida persistente: sebbene queste tecniche aiutassero l'algoritmo a trovare la risposta giusta, spesso facevano apparire i segnali di rumore ancora più grandi di quanto fossero, il che poteva confondere le regole standard del computer per sapere quando fermarsi. Ciò suggerisce che, affinché questi algoritmi funzionino in modo affidabile su macchine reali nel prossimo futuro, le regole per decidere quando una calcolo è terminato potrebbero dover essere riscritte per tenere conto della presenza del rumore.

Lo studio conclude che, sebbene il rumore sia un ostacolo significativo, non è un ostacolo insormontabile. Scegliendo attentamente quali strumenti di correzione dell'errore utilizzare e come combinarli, è possibile guidare gli algoritmi quantistici adattivi attraverso il caos dell'hardware odierno. I ricercatori hanno dimostrato che, con la giusta combinazione di tecniche, un computer quantistico può ancora imparare a costruire la corretta struttura molecolare, anche quando l'ambiente è imperfetto. Questo lavoro fornisce una tabella di marcia pratica per scienziati e ingegneri che si preparano a eseguire queste complesse simulazioni chimiche su veri dispositivi quantistici, mostrando che il percorso verso una chimica quantistica utile non è bloccato dal rumore, ma richiede piuttosto un modo più sofisticato di navigarlo.