Feedback-based quantum optimization with low depth and measurement
Questo articolo introduce BLS-FALQON, un algoritmo di ottimizzazione ibrido quantistico-classico ispirato al Backtracking Line Search che riduce significativamente l'overhead di misurazione rispetto a SO-FALQON pur mantenendo una bassa profondità del circuito, come validato attraverso simulazioni numeriche ed esperimenti reali sul computer quantistico Tianyan-176.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nella corsa alla costruzione di computer quantistici utili, gli scienziati stanno attualmente lavorando con macchine che sono potenti ma fragili. Questi dispositivi, noti come computer quantistici a scala intermedia rumorosi (noisy intermediate-scale quantum computers), possono eseguire calcoli complessi, ma sono facilmente disturbati dal loro ambiente, causando l'insorgere di errori prima che un calcolo si concluda. Per risolvere problemi difficili come l'organizzazione dei dati o la ricerca del percorso più efficiente attraverso una rete, i ricercatori utilizzano algoritmi ibridi che combinano i punti di forza dei computer classici con questi nuovi processori quantistici. Un metodo come questo, chiamato FALQON, agisce come una ricerca guidata. Inizia con un tentativo casuale e regola ripetutamente lo stato quantistico, utilizzando il feedback delle misurazioni per spingere il sistema verso la migliore risposta possibile. Il problema è che questa guida richiede al computer quantistico di eseguire una sequissima di operazioni. Poiché le macchine sono così fragili, eseguire una sequenza lunga significa spesso che il segnale si perde nel rumore prima che la risposta venga trovata.
Per risolvere questo problema, i ricercatori hanno precedentemente sviluppato una versione più veloce della ricerca che poteva raggiungere la soluzione in meno passaggi. Tuttavia, questa velocità aveva un prezzo pesante: la macchina doveva effettuare molte più misurazioni ad ogni singolo passaggio per garantire di non andare fuori strada. Questo flusso di misurazioni rallentava il processo e introduceva ancora più errori. Un nuovo studio condotto da un team della Beijing University of Posts and Telecommunications e di altre istituzioni propone una soluzione diversa. Hanno introdotto un metodo chiamato BLS-FALQON, che riesce a mantenere la ricerca breve senza richiedere un numero eccessivo di misurazioni. Utilizzando una strategia derivata dall'ottimizzazione matematica, il team ha creato un sistema che può compiere passi grandi e sicuri verso la soluzione, controllando i propri progressi solo occasionalmente. Quando il sistema controlla e scopre di essersi deviato, semplicemente inverte la direzione e prova un passo più piccolo, invece di ricalcolare valori complessi da zero.
I ricercatori hanno testato questo nuovo approccio su un classico enigma noto come problema del max-cut, che consiste nel dividere una rete in due gruppi per massimizzare le connessioni tra di essi. In simulazioni informatiche che coinvolgono reti con fino a venti nodi, il nuovo metodo si è dimostrato altamente efficace. Ha ridotto il numero totale di misurazioni richieste di quasi il trentotto per cento rispetto al precedente metodo più veloce, mantenendo la lunghezza del circuito quantistico approssimativamente la stessa. Questo è un miglioramento significativo perché, nella generazione attuale di hardware quantistico, il tempo trascorso misurando e il tempo trascorso eseguendo il circuito sono i due maggiori colli di bottiglia. Riducendo le misurazioni, il team ha effettivamente ridotto il tempo totale necessario al computer quantistico per risolvere il problema.
Per verificare che questi risultati reggessero nel mondo reale, il team ha eseguito i propri esperimenti su un computer quantistico fisico situato in Cina, che utilizza un processore superconduttore con 176 qubit. Hanno testato l'algoritmo su piccole reti con quattro, sei e otto nodi. I risultati hanno confermato che il nuovo metodo non era solo un successo di simulazione, ma una realtà pratica. Sull'hardware reale, il nuovo approccio ha ridotto il tempo di esecuzione stimato del quarantatré per cento rispetto al precedente metodo migliore. Il sistema è rimasto stabile anche in presenza del rumore e degli errori che affliggono le macchine attuali. Sebbene il nuovo metodo non abbia completamente eliminato il divario tra i risultati dell'hardware rumoroso e l'ideale teorico perfetto, ha performato meglio delle alternative e ha dimostrato di poter trovare buone soluzioni senza sovraccaricare troppo il fragile processore quantistico con troppi controlli.
Il successo di questo lavoro risiede nella sua semplicità. Invece di cercare di calcolare una correzione perfetta e complessa ad ogni passaggio, il nuovo algoritmo utilizza un approccio euristico. Compie un passo grande, controlla se il risultato è migliorato e, se non è così, semplicemente inverte la direzione del passo successivo e riprova. Questo aggiustamento avanti e indietro permette al sistema di rimanere in pista senza dover raccogliere dati extra che lo rallenterebbero. I ricercatori hanno scoperto che questa strategia funziona bene anche quando il computer quantistico commette errori, perché il metodo corregge naturalmente tali errori invertendo la direzione quando le cose vanno male. Ciò suggerisce che, per la generazione attuale di computer quantistici, la strada più efficiente non sia rendere le macchine più complesse, ma rendere le istruzioni che seguono più intelligenti ed efficienti.
Lo studio evidenzia anche l'importanza di come i dati vengono raggruppati durante la misurazione. Nel calcolo quantistico, misurare una parte del sistema può disturbare un'altra, quindi gli scienziati devono raggruppare le misurazioni correlate insieme per minimizzare l'interruzione. Il team ha dimostrato che il loro nuovo metodo può essere combinato con le tecniche di raggruppamento esistenti per ridurre ulteriormente il carico di lavoro. Ciò significa che i risparmi in termini di tempo e risorse non sono solo teorici, ma sono direttamente applicabili al modo in cui queste macchine sono attualmente programmate. Le scoperte suggeriscono che, perfezionando il ciclo di feedback, i ricercatori possono estrarre maggiori prestazioni dall'hardware quantistico che già possiedono, portando potenzialmente le applicazioni pratiche per queste macchine più vicine alla realtà.
In definitiva, il lavoro dimostra che l'efficienza nel calcolo quantistico non riguarda solo la costruzione di processori più grandi, ma anche la progettazione di algoritmi che rispettino i limiti fisici dell'hardware. Il nuovo metodo raggiunge un equilibrio tra velocità e precisione che i precedenti approcci non potevano ottenere. Offre un modo per navigare nel panorama rumoroso dei dispositivi quantistici attuali senza perdersi negli errori. Mentre il campo avanza, tecniche come questa diventeranno probabilmente essenziali per risolvere problemi del mondo reale, dimostrando che a volte il modo migliore per andare avanti è sapere esattamente quando fare un passo indietro e riprovare.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.