Non-adiabatic Optimisation via Localisation-Delocalisation Transitions
Questo articolo introduce FRIO, un algoritmo di ottimizzazione quantistica non adiabatica digitalizzato che sfrutta le transizioni di localizzazione a molti corpi e la densità di incroci di Landau-Zener per ottenere una scalabilità a tempo costante per problemi di stato fondamentale di spin-glass, dimostrando prestazioni superiori rispetto a QAOA nelle simulazioni numeriche.
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
Immaginate un vasto e aspro paesaggio di colline e valli, dove ogni punto rappresenta una possibile soluzione a un problema complesso. Nel mondo dell'informatica, trovare la soluzione migliore è come trovare la valle più profonda di questo terreno. Per decenni, gli scienziati hanno sperato che i computer quantistici, che operano secondo le strane regole del mondo subatomico, potessero navigare in questo paesaggio molto più velocemente delle macchine classiche. La sfida è che questi paesaggi sono spesso pieni di innumerevoli piccole buche e trappole che sembrano il fondo, ma non lo sono. I metodi tradizionali cercano di scivolare lentamente lungo i pendii, sperando di evitare di rimanere bloccati, ma questo processo può richiedere un tempo impossibile. Un approccio più recente prevede di scuotere il sistema per aiutarlo a uscire da queste trappole, ma farlo troppo velocemente spesso causa la perdita totale della direzione del sistema. La domanda rimane: esiste un modo per scuotere il sistema quanto basta per sfuggire alle trappole senza perdere la strada verso il vero fondo?
I ricercatori di Phasecraft e dell'Università di Leeds hanno proposto un nuovo metodo chiamato Fast Reverse Iterative Optimisation, o FRIO, che tenta di risolvere questo dilemma controllando con cura il modo in cui il sistema si muove tra diversi stati di ordine e caos. Il loro lavoro si concentra su un tipo specifico di problema difficile noto come spin glass, un modello matematico utilizzato per descrivere sistemi con molte interazioni contrastanti, simili a come un groviglio di fili resiste al tentativo di essere raddrizzato. In questi sistemi, il panorama energetico è così complesso che è facile per un computer rimanere bloccato in un punto basso locale, pensando di aver trovato la risposta migliore quando ne esiste una migliore nelle vicinanze. La strategia del team consiste nel partire da una soluzione decente nota e poi disturbarla deliberatamente. Applicano una serie di cambiamenti rapidi, o "quench", che spingono il sistema da uno stato in cui è bloccato in una specifica configurazione verso uno stato caotico e fluido in cui può esplorare nuove possibilità, e poi di nuovo indietro.
Il cuore della loro scoperta risiede nel comprendere esattamente quanto caos sia necessario. Le teorie precedenti suggerivano che, per trovare la soluzione migliore, il sistema debba navigare in un confine molto specifico e stretto tra uno stato disordinato e congelato e uno stato fluido e termico. La nuova ricerca suggerisce che questo confine non è così rigido come si pensava un tempo. Analizzando la densità dei livelli di energia e il modo in cui il sistema transita tra essi, gli autori hanno scoperto di poter accelerare significamente il processo. Hanno sviluppato una descrizione matematica, simile a come si potrebbe tracciare la diffusione di una goccia d'inchiostro nell'acqua, per prevedere la probabilità che il sistema trovi uno stato di energia inferiore. Questo modello indica che anche con processi non adiabatici molto brevi — ovvero il sistema non ha il tempo di assestarsi lentamente — l'algoritmo può comunque avere successo con alta probabilità, a patto che i parametri siano scelti correttamente.
Per testare ciò, il team ha simulato l'algoritmo su circuiti quantistici digitali, scomponendo il processo continuo in piccoli passi gestibili. Hanno confrontato il loro metodo con il Quantum Approximate Optimisation Algorithm, o QAOA, che è attualmente uno degli strumenti più popolari per risolvere questo tipo di problemi sull'attuale hardware quantistico. I risultati sono stati sorprendenti. Quando i ricercatori hanno tarato i loro parametri per garantire che il sistema si muovesse abbastanza profondamente nella fase caotica e termica, il loro algoritmo ha costantemente superato l'approccio standard QAOA. Ciò è avvenuto anche quando le impostazioni del QAOA erano state pre-ottimizzate per il problema specifico. Lo studio ha dimostato che il nuovo metodo può trovare lo stato fondamentale, o la valle più profonda, più frequentemente e con meno risorse computazionali, particolarmente per sistemi con un alto numero di connessioni tra le loro parti.
Una parte cruciale del loro lavoro è stata capire come impostare questi parametri senza dover conoscere la risposta in anticipo. Hanno ideato un protocollo di test che utilizza brevi scariche di attività per vedere se il sistema si sta comportando in modo "termico", il che indica che sta esplorando il paesaggio efficacemente. Misurando come gli stati interni del sistema si diffondono su una piccola sezione del computer, potevano determinare se le impostazioni scelte fossero corrette. Ciò permette all'algoritmo di essere auto-correttivo e adattabile, una caratteristica vitale per i computer quantistici rumorosi e imperfetti disponibili oggi. Le simulazioni hanno coperto sistemi che andavano da poche decine a quasi venti nodi, e il tasso di successo è rimasto robusto all'aumentare delle dimensioni, suggerendo che il metodo scala bene.
I ricercatori sottolineano che le loro scoperte si basano su simulazioni ed evidenze numeriche piuttosto che su esperimenti fisici su una vera macchina quantistica, sebbene i metodi descritti siano progettati per essere direttamente implementabili sull'hardware attuale. Hanno scoperto che l'algoritmo non deve seguire il percorso lento e attento dei metodi tradizionali, né deve necessariamente circolare attorno a un punto critico specifico come precedentemente creduto. Invece, un approccio non adiabatico più diretto, se guidato dalla giusta comprensione di come il disordine e l'ordine interagiscono, può essere altamente efficace. Questo lavoro offre una via promettente per l'utilizzo dei computer quantistici per risolvere problemi di ottimizzazione del mondo reale, dalla gestione delle reti elettriche alla modellazione finanziaria, trasformando la natura caotica della meccanica quantistica in uno strumento per trovare le migliori soluzioni.
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.