Nel vasto panorama dell'informatica moderna, esiste una persistente divisione tra i problemi che possiamo risolvere facilmente e quelli che sembrano resistere a ogni nostro sforzo. Molte delle sfide più difficili nella scienza e nell'ingegneria, dalla pianificazione delle rotte aeree alla progettazione di nuovi materiali, si riducono a un tipo specifico di enigma: date una lunga lista di regole, ognuna delle quali coinvolge solo poche variabili, come si trova la singola disposizione che soddisfi il maggior numero di regole? Per decenni, i ricercatori hanno guardato ai computer quantistici come a una potenziale chiave per sbloccare questi enigmi. La speranza è che, sfruttando le leggi strane e controintuitive della meccanica quantistica, queste macchine possano navigare nello spazio delle soluzioni in modi in cui i computer classici non potrebbero mai fare. Una strategia promettente, nota come interferometria quantistica decodificata, tenta di tradurre questi enigmi di ottimizzazione nel linguaggio della correzione degli errori. L'idea è quella di creare uno stato quantistico che rappresenti tutte le possibili soluzioni contemporaneamente, per poi usare la matematica della decodifica per filtrare quelle errate e lasciare indietro la migliore. Tuttavia, affinché ciò funzioni, la macchina quantistica deve essere in grado di correggere gli errori più velocemente di quanto il rumore dell'universo possa introdurli.

Un team di ricercatori provenienti da JPMorgan Chase, dall'Università di Harvard, da Google Quantum AI e dai Sandia National Laboratories ha recentemente esaminato criticamente questa strategia. Si sono concentrati su una classe specifica di problemi in cui ogni regola coinvolge esattamente due variabili, come il famoso problema MaxCut, che chiede come dividere una rete di connessioni in due gruppi per massimizzare il numero di collegamenti tra di essi. Quando tradotti nel linguaggio della correzione degli errori quantistici, questi problemi diventano un test su quanto bene un tipo specifico di codice, chiamato codice a ciclo, riesca a recuperare dagli errori. I ricercatori volevano sapere se questo approccio quantistico potesse davvero superare gli algoritmi classici già esistenti, che sono estremamente potenti. Non si sono limitati a guardare lo scenario ideale in cui tutto funziona perfettamente; hanno invece costruito un rigoroso quadro matematico per comprendere esattamente come si comporta il sistema quando la decodifica è imperfetta, che è la realtà di qualsiasi macchina fisica.

Il team ha scoperto che le prestazioni di questo metodo quantistico sono strettamente legate alla geometria della rete sottostante. Nello specifico tipo di reti casuali studiati, la capacità dell'algoritmo quantistico di trovare una buona soluzione è limitata dal numero di errori che il codice può correggere in modo affidabile. Hanno dimostrato che, per queste reti, il metodo quantistico può effettivamente trovare una soluzione che è significativamente migliore di un tentativo casuale. Tuttavia, quando hanno confrontato queste prestazioni con i migliori algoritmi classici noti, l'approccio quantistico è rimasto indietro. I metodi classici, che utilizzano sofisticati trucchi matematici per navigare nello spazio delle soluzioni, hanno trovato costantemente soluzioni migliori di quelle che il metodo quantistico poteva raggiungere, anche nelle condizioni più favorevoli analizzate dai ricercatori. Infatti, per gli scenoli specifici esaminati, il metodo quantistico non ha offerto alcun vantaggio rispetto a ciò che i computer classici possono già fare.

Questa conclusione non è stata un semplice fallimento della tecnologia, ma una precisa mappatura dei suoi confini. I ricercatori hanno dimostrato che il vantaggio quantistico spesso previsto in teoria scompare quando si tiene conto del fatto che gli errori di decodifica sono inevitabili. Hanno dimostrato che, sebbene il metodo quantistico possa teoricamente gestire una certa quantità di rumore, gli algoritmi classici sono così efficaci nel risolvere questi specifici problemi a due variabili che il vantaggio quantistico viene cancellato. Lo studio ha anche rivelato una sorprendente complessità nella matematica di questi codici. Mentre la decodifica di questi codici su un sistema binario (usando solo zeri e uno) è un compito che un computer può risolvere rapidamente, i ricercatori hanno dimostrato che, se si espande il sistema per utilizzare più di due simboli, il problema di trovare la soluzione migliore diventa computazionalmente impossibile da risolvere efficientemente per un computer classico nel caso peggiore. Ciò crea un paradosso: il metodo quantistico si basa su un passaggio di decodifica che è teoricamente difficile per i computer classici, eppure gli algoritmi classici per l'originale problema di ottimizzazione sono così forti che vincono comunque.

Per raggiungere queste conclusioni, il team ha sviluppato nuovi strumenti matematici per stimare le prestazioni dell'algoritmo quantistico quando il decoder commette errori. Hanno analizzato una famiglia di grafi nota come insieme di Linial–Simkin, che sono progettati per avere cicli lunghi ed evitare cicli brevi e confondenti che spesso mettono in difficoltà la correzione degli errori. Studiando questi grafi, sono stati in grado di calcolare la soglia esatta di rumore alla quale il metodo quantistico inizierebbe a fallire. Hanno scoperto che, anche con un decoder perfetto, il tasso di successo del metodo quantistico è limitato da un livello che gli algoritmi classici superano già. Hanno anche testato un tipo specifico di decoder in tempo polinomiale, un algoritmo veloce che approssima la soluzione migliore, e hanno scoperto che, sebbene potesse recuperare una frazione positiva di errori casuali, non riusciva comunque a colmare il divario verso un vantaggio quantistico.

I ricercatori hanno ulteriormente validato le loro scoperte teoriche con esperimenti numerici. Hanno simulato il comportamento dell'algoritmo quantistico su grafi di dimensioni crescenti, testando quanto bene il sistema potesse recuperare dagli errori a diversi livelli di rumore. I risultati hanno mostrato una tendenza chiara: man mano che i grafi crescevano, il punto in cui il sistema iniziava a fallire diventava più netto, confermando le loro previsioni teoriche. In queste simulazioni, gli algoritmi classici hanno costantemente raggiunto tassi di soddisfazione più elevati rispetto al metodo quantistico, anche quando al metodo quantistico veniva concesso il beneficio di un decoder idealizzato e privo di errori. I dati suggerivano che, per la specifica classe di problemi che coinvolgono due variabili, l'approccio quantistico non è la panacea che si sperava un tempo.

Lo studio ha anche affrontato un comune equivoco sulla difficoltà di questi problemi. È ben noto che trovare la soluzione assoluta migliore a questo tipo di enigmi sia un problema difficile per i computer classici. Tuttavia, i ricercatori hanno dimostrato che, per le reti specifiche analizzate, il metodo quantistico non aggira questa difficoltà in un modo che porti a una risposta migliore. Al contrario, il metodo quantistico è limitato dagli stessi vincoli strutturali che governano gli algoritmi classici. Il team ha dimostrato che, sebbene il metodo quantistico possa ottenere un miglioramento non banale rispetto a un tentativo casuale, non può raggiungere i livelli di prestazione che gli euristiche classiche possono raggiungere su queste stesse reti. Ciò suggerisce che la strada per il vantaggio quantistico nell'ottimizzazione possa risiedere in tipi diversi di problemi, forse quelli che coinvolgono più di due variabili per vincolo, piuttosto che nei problemi a due variabili che sono stati oggetto di molta attenzione recente.

In definitiva, il documento funge da fondamentale controllo di realtà per il settore. Non scarta il potenziale del calcolo quantistico, ma ne chiarisce i punti di forza e di debolezza. Analizzando rigorosamente l'interazione tra interferenza quantistica e decodifica classica, i ricercatori hanno fornito un quadro chiaro di ciò che è possibile e di ciò che non lo è. Hanno dimostrato che, per il problema specifico dell'ottimizzazione di vincoli a due variabili su questo tipo di reti, il metodo quantistico è superato dalle tecniche classiche. Questa scoperta è significativa perché aiuta i ricercatori a reindirizzare i propri sforzi verso problemi dove i computer quantistici potrebbero effettivamente avere un vantaggio, piuttosto che inseguire vantaggi che non esistono. Il lavoro sottolinea l'importanza di comprendere i limiti degli algoritmi quantistici in presenza di imperfezioni del mondo reale, garantendo che la ricerca del vantaggio quantistico sia fondata sulla realtà matematica piuttosto che su speranze speculative.