Trial-space co-design for quantum simulation on noisy hardware
Questo articolo introduce un framework di co-design dello spazio di prova che integra intuizioni sui problemi fisici e vincoli hardware rumorosi per ottimizzare gli stati di base della simulazione quantistica e i tempi di evoluzione, dimostrando una riduzione del 54% dell'errore energetico rispetto al campionamento uniforme attraverso un esperimento a quattro qubit.
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
I computer quantistici promettono di risolvere problemi impossibili per le macchine odierne, dalla progettazione di nuovi medicinali alla comprensione del comportamento di materiali complessi. Per farlo, utilizzano particelle minuscole chiamate qubit, che possono esistere in più stati contemporaneamente. Tuttavia, queste macchine sono attualmente molto fragili. La minima perturbazione causata dal calore o dal rumore elettrico provoca la perdita delle loro informazioni, un problema che gli scienziati chiamano "rumore". A causa di ciò, i ricercatori devono spesso progettare i loro esperimenti come se il computer fosse perfetto, preoccupandosi dei difetti della macchina solo dopo aver già scelto quali stati studiare. Questo approccio lascia molto potenziale di prestazione sul tavolo, perché il modo migliore per rappresentare un problema potrebbe in realtà dipendere dalle specifiche peculiarità della macchina guasta che sta cercando di risolverlo.
Un team di ricercatori ha ora dimostrato un nuovo modo per colmare questo divario, un metodo che chiamano "co-progettazione dello spazio di prova" (trial-space co-design). Invece di trattare il problema fisico e l'hardware come questioni separate, utilizzano informazioni sia sul problema che sul computer specifico per decidere quali stati preparare e misurare prima ancora che l'esperimento inizi. Facendo così, hanno scoperto di poter migliorare significativamente l'accuratezza dei loro risultati su un hardware reale e rumoroso. Il loro lavoro suggerisce che adattando la rappresentazione di un problema per adattarla ai limiti della macchina, invece di forzare la macchina a conformarsi a un modello idealizzato, possiamo ottenere risposte molto migliori dai nostri computer quantistici imperfetti di oggi.
Il concetto fondamentale si basa su come un sistema quantistico cambia nel tempo. In un mondo perfetto e isolato, uno stato quantistico evolve ruotando le sue fasi interne, come la lancetta di un orologio che gira su una faccia, mentre l'importanza relativa delle sue diverse parti rimane la stessa. Per trovare lo stato di energia minima di un sistema, i ricercatori solitamente scattano istantanee di questa evoluzione in momenti diversi e le combinano. Tuttavia, i ricercatori hanno capito che se introducono un'interazione controllata e monitorata con l'ambiente, possono fare qualcosa di più potente: possono cambiare l'importanza relativa di quelle parti. Immaginate un filtro che attenua delicatamente certi tipi di movimento lasciando passare altri. Osservando per un esito specifico — essenzialmente aspettando di vedere se avviene un "salto" o una transizione — possono mantenere solo i rami dell'esperimento in cui non è avvenuto alcun salto. Questo processo rimodella lo stato, amplificando le parti più utili per il calcolo e sopprimendo il resto.
Questa rimodellazione permette ai ricercatori di trovare direzioni utili nello spazio del problema che altrimenti sarebbero invisibili o richiederebbero molti più campionamenti temporali per essere ricostruite. Hanno testato questo concetto su diversi modelli, incluso un modello di elettroni che si muovono su una griglia e un modello di spin interagenti. In queste simulazioni, il nuovo metodo ha identificato con successo un set molto più piccolo di stati che catturava l'essenza della fisica del problema molto meglio del metodo tradizionale. Ad esempio, in un test, il nuovo approccio ha ridotto l'errore nel calcolo dell'energia di un fattore di quasi duecento rispetto al metodo standard. Tuttavia, i ricercatori hanno anche scoperto un limite cruciale: sebbene il nuovo metodo crei stati molto informativi, tali stati possono talvolta diventare così simili tra loro da rendere impossibile per un computer rumoroso distinguerli. Se gli stati sono troppo simili, il computer non può distinguere in modo affidabile il segnale dal rumore, rendendo l'informazione extra inutile. Ciò significa che la progettazione deve bilanciare la ricerca degli stati più informativi con la garanzia che rimangano abbastanza distinti da poter essere misurati.
Per vedere se questo funzionasse nel mondo reale, il team è passato dalle simulazioni a un vero processore quantistico. Hanno utilizzato un dispositivo con quattro qubit per simulare un sistema magnetico. Prima di eseguire l'esperimento, hanno utilizzato un registro dello stato di salute attuale della macchina — quanto tempo i loro qubit rimangono stabili e quanto spesso i loro gate commettono errori — per scegliere i momenti migliori per misurare il sistema. Hanno confrontato due strategie: una che sceglieva i tempi di misurazione distribuiti uniformemente e un'altra che sceglieva tempi specifici e non uniformi basati sul problema e sulle condizioni attuali della macchina. Su sette giorni di test, la strategia che utilizzava i tempi non uniformi informati dal problema ha prodotto costantemente risultati più accurati. In media, l'errore nel calcolo dell'energia è stato ridotto del 54 percento rispetto al metodo di campionamento uniforme. Questo miglioramento è rimasto costante anche quando le prestazioni della macchina variavano leggermente di giorno in giorno, provando che adattare l'esperimento all'hardware specifico e al problema specifico funziona meglio di un approccio standard.
I ricercatori hanno anche esplorato se questo metodo potesse essere applicato a diversi tipi di problemi, come la simulazione di una molecola di azoto. Hanno scoperto che, sebbene le regole specifiche per filtrare gli stati cambiassero a seconda del problema, la logica generale rimaneva la stessa: usare la struttura del problema per generare stati candidati, verificare se la macchina può supportarli e poi risolvere il problema in questo spazio più piccolo e ottimizzato. Questa flessibilità è fondamentale, poiché significa che il metodo non è legato a un tipo specifico di fisica o a una specifica macchina. Il lavoro non pretende di aver risolto tutti i problemi dell'informatica quantistica, né suggerisce che il rumore sia diventato uno strumento utile in generale. Invece, mostra che informazioni strutturate sul problema e sul dispositivo possono essere utilizzate per progettare una migliore rappresentazione del calcolo. Rendendo l'interfaccia tra l'algoritmo e l'hardware più intelligente, questo approccio offre un modo pratico per ottenere di più dai computer quantistici rumorosi che abbiamo oggi, trasformando i limiti della macchina in una guida su come porre le domande giuste.
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.