Pushing beyond the memory barrier in propagation algorithms with randomization

Per comprendere il lavoro di questi ricercatori, è necessario innanzitutto comprendere la tensione che sta al cuore della moderna scienza quantistica. I computer quantistici promettono di risolvere problemi impossibili per le macchine odierne, ma prima di poterne fidarci, dobbiamo testarli. Ciò richiede l'impiego di computer classici — le nostre familiari macchine a base di silicio — per simulare come dovrebbe comportarsi un dispositivo quantistico. La sfida è che i sistemi quantistici sono incredibilmente complessi. Man mano che un circuito quantistico diventa più profondo, con più passaggi e più connessioni, la quantità di informazioni necessarie per descriverlo esplode. È come cercare di tenere traccia di ogni possibile percorso che un viaggiatore potrebbe intraprendere attraverso una città che raddoppia di dimensioni a ogni isolato percorso. Per molti degli esperimenti quantistici più interessanti, la memoria necessaria per simularli perfettamente supera la capacità anche dei più grandi supercomputer. Questo crea un muro invalicabile: se una simulazione richiede più memoria di quella esistente, semplicemente non può essere eseguita.

I ricercatori, che lavorano presso l'Istituto Federale di Tecnologia Svizzero di Losanna, hanno trovato un modo per superare questo muro. Hanno sviluppato un nuovo metodo per simulare i circuiti quantistici che tratta la memoria non come un limite fisso, ma come un budget flessibile. Il loro approccio, che chiamano propagazione di Pauli randomizzata, permette loro di simulare circuiti che altrimenti richiederebbero centinaia di volte più memoria di quella disponibile. Invece di cercare di memorizzare ogni singolo dettaglio dello stato quantistico, il che esaurirebbe rapidamente lo spazio, il loro metodo conserva un numero gestibile delle parti di informazione più importanti. Quando la memoria si riempie, il computer compie una scelta calcolata su quali pezzi mantenere e quali scartare, utilizzando una specifica strategia matematica per garantire che il quadro complessivo rimanga accurato. Eseguendo questo processo molte volte su diversi processori e mediando i risultati, possono ricostruire una risposta altamente precisa che corrisponde a quella che una simulazione molto più grande e costosa avrebbe prodotto.

Il nucleo della loro scoperta risiede nel modo in cui gestiscono l'esplosione delle possibilità. In una simulazione standard, ogni volta che un gate quantistico agisce sul sistema, il numero di stati potenziali può raddoppiare. Alla fine, l'elenco di questi stati diventa troppo lungo per entrare in memoria. Il nuovo metodo accetta di non poter contenere tutto. Invece, utilizza una tecnica chiamata ricampionamento. Immaginate un elenco di migliaia di articoli in cui alcuni sono molto pesanti e altri molto leggeri. Se potete trasportarne solo pochi, potreste prendere semplicemente quelli più pesanti. Tuttavia, prendere semplicemente i più pesanti introduce un bias, o un errore sistematico, perché state ignorando quelli più leggeri che potrebbero comunque contare. I ricercatori hanno scoperto che un tipo specifico di ricampionamento, che chiamano ricampionamento a pettine (comb resampling), è molto superiore al semplice indovinare a caso. Questo metodo distribuisce una griglia regolare sull'elenco delle possibilità e seleziona gli elementi in base a dove cadono le linee della griglia. Ciò assicura che la selezione sia equa e che gli elementi più significativi siano mantenuti con alta probabilità, permettendo comunque al sistema di catturare l'influenza di quelli meno significativi.

Fondamentalmente, il team ha scoperto che poteva migliorare l'accuratezza delle proprie simulazioni introducendo intenzionalmente una piccola quantità controllata di bias. In passato, gli scienziati cercavano di mantenere le loro simulazioni perfettamente imparziali, il che significa che non facevano mai una supposizione che favorisse un risultato rispetto a un altro. Ma i ricercatori hanno scoperto che, di fronte a una memoria limitata, essere perfettamente imparziali porta in realtà a risultati peggiori perché l'incertezza, o varianza, cresce troppo. Accettando di tagliare con cura i dettagli più piccoli e meno significativi e accettando un piccolo errore in cambio, sono riusciti a mantenere l'incertezza abbastanza bassa da ottenere una risposta chiara. Questo compromesso ha permesso loro di simulare circuiti molto più profondi di quanto fosse precedentemente possibile. Hanno testato questo su un modello di un sistema magnetico disordinato, uno scenario notoriamente difficile da simulare. I loro risultati hanno mostrato che il metodo poteva riprodurre gli esiti di calcoli deterministici che richiedevano due ordini di grandezza in più di memoria. In termini pratici, questo significa che una simulazione che avrebbe avuto bisogno di un supercomputer con una quantità massiccia di RAM poteva ora essere eseguita su una macchina standard dividendo il lavoro in molti compiti più piccoli e indipendenti.

Le prestazioni di questo nuovo framework sono sorprendenti. I ricercatori hanno implementato il loro metodo in un pacchetto software open-source e lo hanno testato su processori computer standard. Hanno scoperto di poter applicare gate quantistici e ricampionare un elenco contenente un miliardo di elementi in circa un secondo. Questa velocità è sufficiente a rendere il metodo pratico per l'uso reale. Ancora più importante, il metodo scala bene con il numero di processori disponibili. Poiché le diverse esecuzioni sono indipendenti, possono essere distribuite su molti computer o schede grafiche senza dover comunicare costantemente. Questo trasforma un problema di memoria in un problema di velocità. Se un ricercatore ha più tempo e più computer, può semplicemente eseguire più ripetizioni per ottenere una risposta più precisa, invece di scontrarsi con un muro invalicabile dove nessun tempo aggiuntivo può aiutare.

I ricercatori hanno anche applicato il loro metodo a un recente esperimento che coinvolge un computer quantistico. Hanno simulato il comportamento di un sistema con sessantaquattro qubit disposti in una griglia 8x8, ma hanno analizzato specificamente un patch di 3x3 qubit al centro del reticolo per capire come il sistema transiti da uno stato in cui ricorda le sue condizioni iniziali a uno stato in cui diventa casuale. Le loro simulazioni hanno suggerito che i risultati riportati dall'effettivo hardware quantistico potrebbero essere stati sovra-corretti per gli errori, portando a valori troppo bassi. Questo ritrovamento evidenzia il valore di avere uno strumento classico affidabile per testare i dispositivi quantistici. Senza tale strumento, è difficile sapere se un computer quantistico stia davvero risolvendo un problema o se i risultati siano solo artefatti del rumore e dell'errore. Fornendo un modo per simulare questi sistemi complessi con alta accuratezza e basso uso di memoria, questo lavoro offre un nuovo modo per verificare il progresso della tecnologia quantistica.

Il successo di questo approccio si basa su un attento equilibrio di diversi fattori. I ricercatori hanno dimostrato che scegliere semplicemente una regola di campionamento casuale non è sufficiente; il metodo deve essere tarato sul problema specifico. Hanno scoperto che mantenere il maggior numero possibile di elementi in memoria prima del ricampionamento è meglio che essere troppo aggressivi e tagliare l'elenco troppo presto. Hanno anche dimostrato che fondere gli elementi identici nell'elenco è essenziale per mantenere basso l'uso della memoria. Queste intuizioni, combinate con il bias controllato, formano un protocollo completo che può essere applicato a una vasta gamma di circuiti quantistici. Il lavoro non risolve interamente il problema della simulazione quantistica, poiché esistono ancora limiti a quanto profondamente un circuito possa essere simulato. Tuttavia, spinge questi limiti molto più in là rispetto a prima, trasformando una barriera rigida in un vincolo gestibile.

Nel contesto più ampio dell'informatica quantistica, questo sviluppo è un passo avanti significativo. Fornisce un modo per testare e validare i dispositivi quantistici senza la necessità di costruire computer classici ancora più grandi. Man mano che l'hardware quantistico continua a migliorare, la capacità di simularlo accuratamente diventerà sempre più importante per il debugging e l'ottimizzazione. Il metodo dei ricercatori offre una via pratica, dimostrando che, abbracciando la casualità e gestendo attentamente la memoria, possiamo esplorare fenomeni quantistici che prima erano fuori portata. Il lavoro suggerisce che il futuro della simulazione quantistica potrebbe non dipendere dalla costruzione di macchine con memoria infinita, ma dallo sviluppo di modi più intelligenti per utilizzare la memoria che abbiamo a disposizione.