La scienza si è a lungo affidata alle equazioni differenziali per descrivere come il mondo cambi, dal flusso di calore attraverso una parete alla diffusione di una malattia in una popolazione. Queste descrizioni matematiche sono potenti, ma risolverle con precisione richiede spesso una potenza di calcolo immensa, specialmente quando i problemi coinvolgono molte variabili, cambiamenti bruschi o interazioni complesse. Per decenni, i ricercatori hanno guardato ai computer quantistici come a una potenziale scorciatoia, sperando che la loro capacità unica di elaborare informazioni potesse risolvere questi enigmi difficili più velocemente delle macchine classiche. Una strategia promettente consiste nel trasformare un'equazione differenziale in una ricerca dello stato di energia più bassa di un sistema, molto simile a una pallina che rotola naturalmente verso il fondo di una valle. Se il sistema è costruito correttamente, lo stato proprio sul fondo di quella valle rappresenta la risposta corretta all'equazione. Tuttavia, costruire questi sistemi è stato complicato, in particolare quando si tratta di dati del mondo reale che non partono da zero o quando le equazioni coinvolgono relazioni non lineari dove le variabili si moltiplicano tra loro.

Un ricercatore di Fujitsu Research of Europe ha ora ampliato questo approccio, offrendo nuovi modi per costruire questi sistemi quantistici che gestiscono una gamma più ampia di problemi. Ha sviluppato metodi per incorporare molteplici condizioni iniziali e punti dati che non sono zero, una caratteristica comune negli scenari del mondo reale che i metodi precedenti faticavano a includere direttamente. Ha anche introdotto un modo alternativo di costruire il sistema che tratta l'equazione come un equilibrio tra una parte variabile e una sorgente fissa, piuttosto che forzare tutto in un formato a somma zero. Inoltre, ha esplorato un modo diverso di memorizzare le informazioni all'interno del computer quantistico, allontanandosi dalla rappresentazione della soluzione come una curva matematica fluida e memorizzando invece i valori effettivi della soluzione in punti specifici lungo una griglia. Testando queste nuove costruzioni su diversi tipi di equazioni, incluse quelle con angoli acuti e termini non lineari, il ricercatore ha scoperto che la scelta migliore del metodo dipende fortemente dalla natura specifica del problema da risolvere.

Il cuore di questo lavoro risiede nel modo in cui il ricercatore codifica il problema nel sistema quantistico. Nell'approccio standard, la soluzione è rappresentata dai coefficienti di un insieme di funzioni globali e fluide, simile a come un suono complesso può essere scomposto in un set specifico di note musicali. Questo metodo funziona bene per cambiamenti fluidi e prevedibili, ma può avere difficoltà quando la soluzione presenta salti improvvisi o irregolarità. Il nuovo lavoro introduce un approccio basato sulla griglia in cui lo stato quantistico contiene direttamente il valore della soluzione in ogni punto di una linea discreta. Questo è più simile a scattare una serie di fotografie lungo un percorso piuttosto che cercare di adattare un'unica linea fluida attraverso di essi. Il ricercatore ha scoperto che per i problemi con soluzioni fluide, il metodo tradizionale delle funzioni fluide era più efficiente, ma per i problemi con discontinuità nette, il metodo basato sulla griglia forniva un quadro molto più accurato senza richiedere aggiustamenti speciali.

Gestire le condizioni iniziali non nulle è stata un'altra grande sfida affrontata dal ricercatore. In molte situazioni fisiche, un sistema non parte dal nulla; un condensatore potrebbe già avere una carica, o una temperatura potrebbe partire da un valore specifico elevato. I metodi quantistici precedenti richiedevano che il problema venisse riscritto in modo che tutto partisse da zero, il che non era sempre possibile o pratico. Il ricercatore ha mostrato come utilizzare un punto di riferimento non nullo noto per scalare il problema, consentendo di includere direttamente nel sistema quantistico molteplici condizioni non nulle. Ha inoltre sviluppato una seconda costruzione alternativa che tratta l'equazione come un sistema lineare in cui la soluzione viene trovata bilanciando l'equazione rispetto a un termine sorgente. Questo approccio si è rivelato particolarmente utile quando il problema coinvolgeva una sorgente di energia o materia che non poteva essere facilmente convertita in una condizione di partenza zero, ampliando efficacemente l'insieme di equazioni che possono essere risolte in questo modo.

La sfida delle equazioni non lineari, dove le variabili si moltiplicano tra loro, ha presentato una difficoltà di tipo diverso. Quando queste equazioni vengono tradotte nel linguaggio quantistico, il sistema diventa spesso sotto-determinato, il che significa che esistono molti stati possibili che sembrano essere lo stato di energia più bassa, ma solo uno di essi rappresenta effettivamente la corretta soluzione fisica. Il ricercatore ha scoperto che il sistema quantistico spesso rimane bloccato in questi stati errati, "non fisici". Per risolvere questo problema, ha proposto di restringere la ricerca solo a quegli stati che possiedono una specifica struttura ripetuta, assicurando che il computer quantistico esplori solo soluzioni che abbiano senso fisico. Ha testato questo approccio risolvendo un'equazione di reazione-diffusione che modella il movimento del fronte di una popolazione, guidando con successo l'algoritmo quantistico verso la soluzione corretta limitando lo spazio di ricerca, nonostante il sistema sottostante rimanesse complesso e degenerato.

Attraverso una serie di simulazioni, il ricercatore ha confrontato questi nuovi metodi tra loro utilizzando esempi come la carica di un circuito elettrico, il comportamento di una particella quantistica in un potenziale specifico e il flusso di calore attraverso una parete composta da due materiali diversi. Nel caso del circuito elettrico, ha dimostrato che quando la carica iniziale era zero, uno dei suoi nuovi metodi era l'unico in grado di funzionare, mentre l'altro falliva. Quando la carica iniziale era non nulla, entrambi i metodi funzionavano bene, ma producevano paesaggi energetici leggermente diversi, il che potrebbe influenzare la facilità con cui un computer quantistico trova la soluzione. Per il problema del flusso di calore, che coinvolgeva un cambiamento netto nelle proprietà del materiale, il metodo delle funzioni fluide non riusciva a catturare il repentino cambiamento nel gradiente di temperatura a meno che il dominio non venisse diviso in sezioni separate. Il metodo basato sulla griglia, invece, gestiva naturalmente questo cambiamento netto, dimostrando che la scelta della codifica non è solo un dettaglio tecnico ma una decisione fondamentale che determina l'accuratezza del risultato.

Il ricercatore ha anche esaminato il modello di popolazione non lineare, confermando che la sua strategia di restringere la ricerca quantistica agli stati a prodotto ripetuto evitava con successo la trappola delle soluzioni non fisiche. Sebbene l'intero spazio matematico del problema contenesse centinaia di stati a bassa energia errati, la ricerca vincolata ha trovato il percorso corretto. Tuttavia, il ricercatore ha osservato che questo approccio si affida a un tipo specifico di algoritmo di ottimizzazione che non garantisce di trovare sempre la risposta migliore, e richiede più risorse quantistiche all'aumentare della complessità della non-linearità. Le simulazioni hanno mostrato che i metodi funzionano e possono codificare soluzioni accurate, ma hanno anche evidenziato che il percorso verso un vantaggio quantistico pratico comporta ostacoli significativi, tra cui il costo della preparazione dello stato iniziale, la stabilità del sistema e la difficoltà di leggere la risposta finale.

In definitiva, questo lavoro non pretende di aver risolto il problema della risoluzione quantistica delle equazioni differenziali, quanto piuttosto di chiarire i compromessi coinvolti negli approcci attuali. Dimostra che non esiste un unico modo "migliore" per codificare un'equazione differenziale per un computer quantistico; la scelta ottimale dipende dal fatto che la soluzione sia fluida o irregolare, che i dati partano da zero o non da zero, e se l'equazione sia lineare o non lineare. Fornendo queste costruzioni alternative e codifiche di funzione, il ricercatore ha ampliato la gamma di problemi che possono essere affrontati con i risolutori di stato fondamentale quantistici. Le sue scoperte suggeriscono che il progresso futuro non arriverà da un singolo metodo universale, ma dal far corrispondere attentamente la strategia di codifica alla specifica regolarità e ai vincoli del problema fisico in questione, assicurando che il sistema quantistico sia costruito per trovare la vera soluzione piuttosto che per perdersi in un mare di possibilità matematiche.