Benchmarking Modular Optimization Strategies for Parameterized Quantum Circuits

Nel campo emergente dell'informatica quantistica, gli scienziati stanno costruendo macchine che operano secondo le strane regole del mondo subatomico. A differenza dei computer nelle nostre tasche, che elaborano le informazioni come una semplice serie di zeri e uno, queste nuove macchine utilizzano bit quantistici, o qubit, che possono esistere in molteplici stati contemporaneamente. Questo potenziale permette loro di affrontare problemi che sono attualmente impossibili per i computer standard, come la progettazione di nuovi medicinali o l'ottimizzazione di logistica complessa. Tuttavia, queste macchine sono ancora alle prime fasi. Sono fragili, soggette a errori causati dal calore e dalle interferenze, e possono eseguire solo programmi brevi e semplici prima che il loro delicato stato quantistico collassi. Per renderle utili, i ricercatori si affidano a un approccio ibrido: un computer classico guida un processore quantistico, regolando ripetutamente le impostazioni di un circuito quantistico per trovare la migliore soluzione possibile. Questo processo è noto come algoritmo variazionale, e il suo successo dipende interamente da quanto bene il computer classico riesca a guidare la macchina quantistica attraverso un panorama di possibilità.

La sfida risiede proprio nel meccanismo di guida. Poiché le macchine quantistiche sono rumorose e le misurazioni sono statistiche, il computer non può vedere il percorso perfetto davanti a sé; può solo stimare la direzione basandosi su un numero limitato di campioni rumorosi. I ricercatori di questo studio si sono posti l'obiettivo di comprendere come diverse strategie di guida si comportino in queste condizioni difficili. Hanno costruito un framework di test modulare che separa due parti distinte del processo: il metodo utilizzato per stimare la direzione del miglioramento e la regola utilizzata per aggiornare effettivamente le impostazioni sulla base di tale stima. Trattando questi come componenti indipendenti, hanno potuto combinare diversi tipi di tecniche di stima con diverse regole di aggiornamento, proprio come testare diverse bussole con diversi stili di guida per vedere quale combinazione porti un conducente alla sua destinazione con maggiore affidabilità.

Il team ha testato queste combinazioni su quattro tipi di problemi molto diversi tra loro. In primo luogo, hanno affrontato un classico enigma di divisione di una rete in due gruppi per massimizzare le connessioni tra di essi, un compito noto come MaxCut. In secondo luogo, hanno addestrato un sistema quantistico a riconoscere i fiori dal famoso dataset Iris. Terzo, hanno utilizzato una rete neurale quantistica più complessa per distinguere le cifre scritte a mano zero e uno dal database MNIST. Infine, hanno simulato un problema chimico: trovare lo stato di energia più basso di una molecola di idrogeno. Per ogni compito, hanno eseguito simulazioni su un computer privo di rumore e selezionato esecuzioni su un vero processore quantistico fisico con 156 qubit. Hanno misurato non solo quanto la risposta finale fosse vicina al risultato ideale, ma anche quante volte il sistema dovesse essere interrogato per arrivarci, tracciando il costo di ogni singola misurazione.

I risultati hanno rivelato che non esiste un unico "miglior" ottimizzatore che funzioni per ogni situazione. Le prestazioni di una strategia dipendevano fortemente dal problema specifico trattato e dal numero di parametri coinvolti. Per il compito di classificazione dei fiori, un metodo che utilizzava un tipo specifico di informazione sulla curvatura combinato con una particolare regola di aggiornamento ha raggiunto costantemente un'accuratezza perfetta attraverso diversi punti di partenza casuali. Al contrario, per la simulazione chimica della molecola di idrogeno, una diversa combinazione di stima e regole di aggiornamento ha prodotto i risultati medi più affidabili, sebbene un altro metodo abbia occasionalmente trovato una singola risposta leggermente migliore. Lo studio ha inoltre evidenziato un compromesso cruciale: alcuni metodi che richiedevano significativamente più misurazioni non producevano necessariamente risultati migliori. Infatti, per l'enigma della rete, una strategia che utilizzava meno misurazioni spesso forniva prestazioni uguali a quelle che impiegavano molto più tempo per raccogliere dati.

Quando i ricercatori sono passati dalla simulazione al processore quantistico fisico, i risultati sono stati misti ma informativi. La macchina reale ha introdotto del rumore che ha causato fluttuazioni nei percorsi di ottimizzazione più marcate rispetto alle simulazioni. In alcuni casi, il sistema migliorava per un po' e poi tornava verso una soluzione peggiore, un comportamento che non si era verificato nelle simulazioni pulite. Lo studio non ha trovato un vincitore universale che potesse essere dichiarato il migliore per tutti i futuri computer quantistici. Invece, ha fornito una mappa dettagliata di come diversi strumenti si comportano sotto vincoli specifici. Gli autori hanno concluso che la scelta della strategia di ottimizzazione deve essere adattata al carico di lavoro specifico, al budget di misurazione disponibile e alle caratteristiche di rumore dell'hardware. L'approccio più efficace non consiste nel fare affidamento su un singolo metodo rigido, ma nel comprendere i punti di forza e di debolezza di ciascun componente in modo che la combinazione corretta possa essere selezionata per il compito specifico.