Bridge of $Ψ$'s: Quantum Circuit Optimization with Schrödinger Bridges

I computer quantistici promettono di risolvere problemi impossibili per le macchine odierne, dalla progettazione di nuovi medicinali alla decifrazione di codici complessi. Ma per eseguire questi programmi, gli scienziati devono tradurre istruzioni astratte in una sequenza di operazioni fisiche che un processore quantistico possa effettivamente eseguire. Questo processo di traduzione, noto come compilazione, è pieno di difficoltà. Ogni passaggio in un programma quantistico introduce una minima possibilità di errore e, poiché queste macchine sono incredibilmente fragili, più passaggi vengono richiesti, più è probabile che il risultato finale sia errato. Per rendere l'informatica quantistica utile, i ricercatori devono trovare modi per restringere questi programmi, rimuovendo i passaggi non necessari e accorciando il tempo necessario per eseguirli, il tutto garantendo che la risposta finale rimanga esattamente la stessa del piano originale.

Per decenni, l'approccio standard per restringere questi programmi è stato quello di fare affidamento su un insieme fisso di regole, molto simile a un meccanico che usa una chiave inglese specifica per stringere un bullone. Gli ingegneri hanno costruito librerie di scorciatoie note, dove un particolare schema di operazioni viene sostituito da uno più breve ed equivalente. Sebbene ciò funzioni bene per casi semplici, fatica quando si trova di fronte a programmi complessi e aggrovigliati. Le regole sono rigide e non possono facilmente vedere il quadro generale o coordinare i cambiamenti tra parti distanti di un circuito. Uno studio condotto dai ricercatori dell'ETH di Zurigo e dell'Università di Cambridge suggerisce che il futuro di questa ottimizzazione non risieda in regole rigide, ma in un tipo di intelligenza artificiale che impara per esempi. Hanno costruito un sistema chiamato Bridge of Ψ's, che tratta il problema di restringere un programma quantistico come un viaggio da uno stato disordinato e inefficiente a uno pulito ed efficiente, guidato da schemi appresi da milioni di esempi.

I ricercatori hanno iniziato ponendosi una domanda fondamentale: può un modello di apprendimento automatico imparare a ottimizzare un circuito quantistico direttamente, senza che gli vengano spiegate le regole specifiche da seguire? Per rispondere a questo, avevano bisogno di un modo per insegnare al modello cosa sia un "buon" circuito. Non potevano limitarsi a mostrargli circuiti casuali, perché il modello non saprebbe quali siano migliori. Invece, hanno lavorato a ritroso. Sono partiti da piccoli circuiti efficienti e li hanno deliberatamente resi più grandi e complicati applicando le regole note in modo inverso. Questo ha creato una vasta collezione di coppie: un circuito disordinato ed espanso e il suo gemello perfetto e compatto. Alimentando il sistema con queste coppie, i ricercatori hanno insegnato al modello a riconoscere la trasformazione dalla versione disordinata a quella pulita.

Il sistema che hanno costruito, chiamato Bridge of Ψ's, utilizza un tipo sofisticato di modello generativo noto come ponte di Schrödinger. In termini semplici, questo modello impara a trasportare i dati da una distribuzione all'altra. Immaginate una nuvola di fumo che deve essere rimodellata in una forma specifica; il modello impara il percorso più probabile per passare dalla nuvola alla forma. In questo caso, la "nuvola" è il circuito espanso e inefficiente, e la "forma" è la versione ottimizzata. Il modello non costruisce la soluzione pezzo per pezzo o controlla una lista di regole. Inve Instead, guarda l'intero circuito in una volta sola e predice come rimodellarlo. Per farlo, utilizza un'architettura progettata su misura che rispetta la struttura unica dei circuiti quantistici, dove l'ordine delle operazioni nel tempo è importante, ma l'ordine dei fili che trasportano l'informazione no. Ciò consente al modello di gestire circuiti di diverse dimensioni senza dover essere riaddestrato da zero.

Quando i ricercatori hanno testato il loro sistema su un insieme di circuiti che coinvolgevano otto qubit e sessantaquattro passaggi, i risultati sono stati sorprendenti. Il modello ha prodotto costantemente circuiti più brevi e veloci rispetto a qualsiasi uno dei nove strumenti di ottimizzazione esistenti con cui lo hanno confrontato. In media, ha ridotto il numero di passaggi di un circuito di un fattore di quasi due volte e mezzo, e ha fatto lo stesso per il tempo di esecuzione del circuito. Ancora più importante, è riuscito a trovare questi miglioramenti in quasi l'ottanta per cento dei casi, mentre il miglior strumento tradizionale è riuscito a raggiungere il livello di ottimizzazione target solo in circa il ventisei per cento dei casi. Il sistema è stato così efficace che ha spesso trovato soluzioni persino più brevi di quelle utilizzate per l'addestramento, suggerendo che avesse appreso i principi sottostanti dell'ottimizzazione piuttosto che aver semplicemente memorizzato gli esempi.

Lo studio ha anche esplorato se questo approccio potesse gestire circuiti più grandi o strutturati diversamente rispetto a quelli utilizzati per l'addestramento. I ricercatori hanno scoperto che il modello poteva adattarsi rapidamente. Effettuando un piccolo aggiustamento al sistema, sono stati in grado di applicarlo a circuiti con sedici qubit e una profondità molto maggiore, ottenendo tassi di successo simili. Questa flessibilità è cruciale, poiché i programmi quantistici del mondo reale varieranno enormemente in termini di dimensione e complessità. Il sistema non si affida a uno spazio di ricerca fisso o a una libreria di trucchi pre-scritti. Invece, genera nuove soluzioni al volo, attingendo agli schemi appresi durante l'addestramento. Per garantire la correttezza dei risultati, i ricercatori hanno incluso un passaggio di verifica che controlla ogni output per confermare che esegua esattamente lo stesso calcolo dell'input originale, scartando quelli che falliscono questo test.

Sebbene il sistema sia potente, non è privo di compromessi. Il processo di generazione di questi circuiti ottimizzati richiede più tempo rispetto all'esecuzione di uno strumento tradizionale basato su regole. Un singolo passaggio di ottimizzazione può richiedere diversi secondi, mentre uno strumento standard potrebbe terminare in una frazione di secondo. Tuttavia, i ricercatori sostengono che questo tempo extra sia un investimento che vale la pena. Gli strumenti tradizionali spesso si bloccano, incapaci di trovare la migliore soluzione possibile, mentre il nuovo sistema trova costantemente riduzioni più profonde. In un campo in cui ogni passaggio conta e gli errori si accumulano rapidamente, la capacità di accorciare significativamente un programma potrebbe essere la differenza tra un esperimento fallito e una scoperta rivoluzionaria.

Il lavoro rappresenta un cambiamento significativo nel modo in cui viene sviluppato il software quantistico. Per anni, il campo si è affidato a metodi analitici creati a mano e ad algoritmi di ricerca rigidi. Questo studio dimostra che un approccio basato sui dati, in cui una macchina impara l'arte dell'ottimizzazione dagli esempi, può superare i migliori strumenti progettati dall'uomo. Apre la porta a un futuro in cui i compilatori quantistici non siano solo esecutori di regole, ma sistemi intelligenti capaci di navigare nel complesso panorama delle operazioni quantistiche per trovare il percorso più efficiente. Colmando il divario tra l'apprendimento automatico avanzato e la fisica quantistica, i ricercatori hanno dimostrato che gli strumenti necessari per rendere pratica l'informatica quantistica potrebbero essere già a portata di mano, in attesa di essere addestrati sui dati giusti.