Nel complesso mondo delle infrastrutture moderne, dal flusso di elettricità attraverso un continente al routing dei dati attraverso una rete globale, esiste un costante bisogno di organizzare le connessioni in modo efficiente. Immaginate una vasta rete di strade dove il traffico deve essere spostato da molti punti di partenza a molte destinazioni senza che due veicoli si scontrino tra loro in un incrocio. In matematica e informatica, questa sfida è nota come problema di accoppiamento (matching problem): trovare l'insieme più grande possibile di connessioni che non condividano alcun punto terminale. Quando l'obiettivo è scomporre una rete complicata e disordinata nel minor numero possibile di questi insiemi puliti e non sovrapposti, il compito diventa incredibilmente difficile per i computer standard. Questo è il regno dell'ottimizzazione combinatoria, un campo in cui trovare la disposizione perfetta richiede spesso il controllo di più possibilità di quante ce ne siano nella materia nell'universo. Per affrontare questi problemi, gli scienziati si stanno rivolgendo ai computer quantistici, macchine che utilizzano le strane regole della meccanica quantistica per esplorare molte possibilità contemporaneamente. Tuttavia, le attuali macchine quantistiche sono ancora piccole e fragili, contenendo solo poche centinaia di bit di informazione, mentre i problemi del mondo reale che mirano a risolvere coinvolgono spesso migliaia di variabili. La domanda centrale per i ricercatori è se possano scomporre un problema massiccio in pezzi più piccoli, risolvere quei pezzi sull'attuale hardware limitato e poi ricongiungere le risposte per risolvere l'intero puzzle.

Un team di ricercatori ha compiuto un passo significativo verso la risposta a quella domanda applicando con successo un approccio ibrido a una massiccia simulazione di una rete energetica. Si sono concentrati su una sfida specifica chiamata Decomposizione di Birkhoff Minima, che chiede come ricostruire un grafo di domanda complesso usando il minor numero possibile di accoppiamenti pesati. Meno accoppiamenti significano meno commutazioni e riconfigurazioni nel mondo reale, il che si traduce in costi inferiori e maggiore efficienza per settori come il trading energetico e la programmazione delle reti. I ricercatori hanno testato il loro metodo su un modello realistico di una rete di trasmissione ad alta tensione europea, noto come caso PEGASE-1354. Questo modello rappresenta una rete con 1.354 punti di connessione e 1.710 linee di trasmissione. Se si cercasse di risolvere questo problema direttamente su un computer quantistico, sarebbe necessaria una macchina con 1.710 qubit, le unità di base dell'informazione quantistica. Poiché i processori quantistici più avanzati disponibili oggi hanno molti meno qubit, il team ha dovuto trovare un modo per rimpicciolire il problema senza perdere l'essenziale vantaggio quantistico.

Per rendere possibile questo, il team ha sviluppato un flusso di lavoro che divide la massiccia rete in blocchi più piccoli e gestibili. Hanno utilizzato una tecnica chiamata partizionamento spettrale, che agisce come un cartografo intelligente, raggruppando insieme le parti della rete più strettamente connesse pur tagliando il minor numero possibile di connessioni tra di esse. Ciò ha permesso loro di scomporre il problema delle 1.710 linee in decine di sottoproblemi più piccoli, ciascuno abbastanza piccolo da adattarsi all'attuale hardware quantistico. Nello specifico, hanno mirato a partizioni di circa 50 qubit, una dimensione che rientra nelle capacità degli attuali processori quantistici superconduttori. Per ciascuno di questi pezzi più piccoli, hanno eseguito un algoritmo di campionamento quantistico noto come QAOA, progettato per trovare buone soluzioni candidate esplorando il panorama delle possibilità. Invece di cercare la singola risposta perfetta per ogni pezzo, il computer quantistico ha generato un pool diversificato di potenziali accoppiamenti. Questi candidati sono stati poi passati a un computer classico, che ha agito come supervisore. Il computer classico ha controllato le soluzioni per errori, ha corretto eventuali conflitti in cui le connessioni si incrociavano impropriamente e ha combinato i pezzi migliori delle diverse partizioni per costruire una soluzione globale. Questo processo di controllo e correzione è noto come riparazione della fattibilità greedy (greedy feasibility repair), e assicura che il risultato finale sia una configurazione valida e funzionante.

I risultati di questo esperimento sono stati incoraggianti, dimostrando che l'approccio assistito dal quantum può superare i metodi tradizionali anche su una macchina con limitazioni significative. Quando i ricercatori hanno confrontato i loro candidati generati dal quantum rispetto a quelli prodotti dal simulated annealing, una tecnica di ottimizzazione classica standard, e dal campionamento casuale uniforme, il metodo quantistico ha costantemente prodotto risultati migliori. I campioni riparati dal processore quantistico hanno raggiunto un tasso di errore inferiore, il che significa che la rete ricostruita era più vicina alla domanda ideale rispetto alle soluzioni trovate dai baseline classici. Inoltre, il team ha scoperto che la dimensione delle partizioni contava molto. Quando hanno scomposto il problema in pezzi molto piccoli di soli 20 qubit, la qualità delle soluzioni è scesa significamente, suggerendo che il computer quantistico ha bisogno di un certo livello di complessità per essere utile. Se i pezzi sono troppo piccoli, diventano facili da simulare per un computer classico, eliminando la necessità della macchina quantistica. Tuttavia, quando le partizioni sono state mantenute a una dimensione maggiore, intorno ai 50 qubit, il sistema ha mantenuto la capacità di trovare soluzioni di alta qualità che erano difficili da eguagliare per i metodi classici. Ciò suggerisce che il vantaggio quantistico risiede nel gestire un livello specifico di complessità in cui le correlazioni tra le variabili sono troppo intricate per essere navigate efficacemente da semplici euristiche classiche.

Un altro risultato chiave è stato l'impatto di come i circuiti quantistici fossero disposti sull'hardware fisico. I ricercatori hanno utilizzato una tecnica chiamata spatial circuit packing, che consente di eseguire simultaneamente più problemi quantistici indipendenti su diverse parti dello stesso processore. Organizzando attentamente questi compiti, sono stati in grado di ridurre il tempo totale di esecuzione di un fattore tre rispetto all'esecuzione dei compiti uno dopo l'altro. Questa accelerazione è cruciale per le applicazioni pratiche, poiché rende il processo di risoluzione di grandi problemi di ottimizzazione molto più fattibile entro un tempo ragionevole. Il team ha anche testato il sistema su un vero processore quantistico, il dispositivo IBM Heron, e ha scoperto che i risultati dell'hardware seguivano da vicino le prestazioni delle simulazioni ad alta fedeltà. Sebbene l'hardware reale introducesse del rumore ed errori, la combinazione di campionamento quantistico e riparazione classica è stata abbastanza robusta da superare queste imperfezioni. Lo studio ha esplicitamente escluso l'idea che semplicemente rendere il problema più piccolo sia la strategia migliore; hanno scoperto che il partizionamento aggressivo che riduceva il problema a frammenti minuscoli degradava effettivamente la qualità della soluzione. Invece, il punto di equilibrio è stato trovato mantenendo le partizioni abbastanza grandi da mantenere utili le correlazioni quantistiche, ma abbastanza piccole da adattarsi alla macchina.

I ricercatori hanno anche indagato quanto fosse necessario l'entanglement quantistico, o la profonda connessione tra i qubit, per il successo. Hanno simulato il processo utilizzando un metodo che poteva controllare la quantità di correlazione quantistica mantenuta nel calcolo. I loro test hanno mostrato che se avessero tagliato artificialmente troppa di questa connessione, la qualità dei candidati soluzioni ne avrebbe sofferto. Ciò indica che il processore quantistico non sta solo agendo come un generatore di numeri casuali, ma sta realmente utilizzando le sue proprietà uniche per esplorare lo spazio delle soluzioni in un modo che i computer classici non possono facilmente replicare. Lo studio non ha sostenuto di aver risolto definitivamente il problema del vantaggio quantistico, né ha suggerito che questo metodo sia pronto per un immediato impiego commerciale. Piuttosto, ha dimostrato una via percorribile. Combinando il partizionamento spettrale, lo spatial packing e la riparazione classica, il team ha mostrato che è possibile eseguire il campionamento quantistico basato su gate su problemi di ottimizzazione vincolata con migliaia di variabili utilizzando l'attuale hardware. Il lavoro serve come prova di concetto che il campionamento quantistico distribuito può essere scalato, a condizione che le partizioni siano mantenute abbastanza grandi da preservare il comportamento quantistico che rende l'approccio prezioso in primo luogo.

Guardando al futuro, i ricercatori vedono il prossimo passo logico come l'aumento della dimensione di queste partizioni ad almeno 100 qubit e la gestione attenta della loro densità per garantire che rimangano risolvibili sull'hardware. Hanno già iniziato a testare questo approccio su benchmark ancora più grandi, con risultati iniziali che mostrano come il metodo possa costantemente raggiungere l'accuratezza target entro un numero ragionevole di passi e produrre decomposizioni molto più sparse ed efficienti rispetto ai metodi greedy classici. L'obiettivo finale è mantenere un contributo quantistico utile all'interno di ogni partizione mentre il problema complessivo cresce, garantendo che il computer quantistico rimanga una parte essenziale della soluzione piuttosto che un semplice elemento di novità. Questa ricerca evidenzia un approccio pragmatico all'era quantistica, uno che riconosce i limiti delle macchine odierne pur tracciando una via chiara su come usarle efficacemente per risolvere le enormi sfide di ottimizzazione del mondo reale che giacciono appena oltre la portata del calcolo classico.