Time rescaling for second-order feedback-based quantum optimization

Nella corsa alla costruzione di computer quantistici utili, gli scienziati affrontano un ostacolo persistente: le macchine che abbiamo oggi sono potenti ma fragili. Sono rumorose, soggette a errori e possono mantenere i loro delicati stati quantistici solo per un momento fugace prima di collassare. Per questo motivo, i ricercatori si sono ampiamente affidati a un approccio ibrido, in cui un computer classico svolge il lavoro pesante di ottimizzazione mentre il processore quantistico gestisce compiti specifici. Tuttavia, questa partnership spesso si incastra in un ciclo frustrante, in cui il computer classico fatica a trovare le impostazioni corrette, un problema noto come "plateau sterile" (barren plateau) che può bloccare interamente il progresso. Per aggirare questo problema, è emersa una strategia diversa che si affida interamente alla macchina quantistica stessa. Invece di chiedere a un computer classico di regolare le manopole, questo metodo utilizza un ciclo di feedback integrato direttamente nel processo quantistico. Misura lo stato attuale del sistema e regola immediatamente il passaggio successivo, guidando la macchina verso la migliore soluzione possibile senza bisogno che un partner classico faccia i calcoli. Questo approccio, noto come algoritmo quantistico basato sul feedback, promette molto, ma ha un grande difetto: spesso richiede che il circuito quantistico sia così profondo, con così tanti passaggi sequenziali, che il rumore nelle macchine attuali distrugge la risposta prima che il calcolo sia terminato.

Un team di ricercatori in Brasile ha ora trovato un modo per accorciare significativamente questi circuiti, rendendo il metodo praticabile per l'hardware odierno. Hanno combinato due tecniche esistenti che erano state precedentemente utilizzate separatamente per velocizzare il processo. Una tecnica prevede il cambiamento del ritmo del calcolo, permettendo al sistema quantistico di muoversi più velocemente in certi momenti e più lentamente in altri, proprio come un conducente che cambia marcia per navigare efficientemente in una strada tortuosa. L'altra tecnica utilizza un modo più sofisticato per prevedere come il sistema cambierà nel passaggio successivo, guardando non solo alla direzione immediata ma anche a come quella direzione curva. Fondendo queste due idee in un unico framework unificato, i ricercatori hanno creato una nuova versione dell'algoritmo che raggiunge la soluzione corretta in molti meno passaggi rispetto a prima.

I ricercatori hanno testato questo nuovo metodo, che chiamano TR-Hy-FALQON, su due tipi di puzzle complessi noti come problemi grafici. Questi puzzle comportano la divisione di una rete di punti in due gruppi in modo che le connessioni tra i gruppi siano massimizzate, un compito notoriamente difficile per i computer. Hanno eseguito simulazioni su reti con dodici e quattordici punti, confrontando il loro nuovo metodo con le vecchie versioni dell'algoritmo a feedback e con il metodo ibrido standard. I risultati sono stati chiari: il nuovo metodo ha raggiunto soluzioni di alta qualità molto più velocemente. Nelle simulazioni, ha ottenuto lo stesso livello di accuratezza del metodo ibrido standard, ma con meno strati di operazioni, e lo ha fatto con maggiore stabilità, il che significa che i risultati erano meno probabili che oscillassero o fallissero durante il progredire del calcolo.

Ciò che rende questo sviluppo particolarmente importante è che elimina la necessità che il computer classico intervenga costantemente. Il nuovo algoritmo si affida ancora alla macchina quantistica per misurare i propri progressi e regolare il proprio percorso, ma lo fa con un circuito molto più breve. Questo è fondamentale perché ogni passaggio extra in un circuito quantistico aumenta la possibilità che il rumore corrompa i dati. Riducendo il numero di passaggi necessari per risolvere il problema, i ricercatori hanno effettivamente abbassato la barriera per l'uso di questi algoritmi sulle macchine attuali e imperfette. Lo studio ha dimostrato che il nuovo metodo può risolvere questi specifici problemi grafici con un livello di precisione che rivaleggia con le migliori garanzie classiche note, il tutto mantenendo un percorso costante e affidabile verso la soluzione.

I ricercatori hanno anche notato che il loro metodo offre maggiore flessibilità nella gestione dei tempi del calcolo. Nelle versioni precedenti, i passaggi dovevano essere compiuti a un ritmo molto specifico e minuscolo per garantire che la matematica funzionasse, il che costringeva il circuito a essere molto lungo. Il nuovo approccio consente passi temporali più grandi e flessibili senza perdere stabilità. Ciò significa che il computer quantistico può compiere passi più ampi verso la risposta senza inciampare nel rumore che di solito lo fa inciampare. Sebbene questi risultati derivino da simulazioni al computer piuttosto che da hardware fisico, i risultati suggeriscono che questo algoritmo raffinato è ben adatto all'era attuale dell'informatica quantistica, dove minimizzare la profondità del circuito è la chiave del successo. Rendendo il processo di feedback sia più veloce che più robusto, questo lavoro fornisce una via pratica per risolvere problemi di ottimizzazione sui processori quantistici rumorosi e poco profondi disponibili oggi.