Scaling Laws for Parameter Setting in Digitized Counterdiabatic QAOA

Nel vasto panorama dell'informatica moderna, alcune delle sfide più ostinate riguardano il trovare la singola migliore disposizione tra un numero vertiginoso di possibilità. Che si tratti di instradare camion per le consegne attraverso una città, pianificare i cicli di macchine industriali o regolare transazioni finanziarie, si tratta di problemi di ottimizzazione combinatoria. Per decenni, gli scienziati si sono rivolti ai computer quantistici — macchine che utilizzano le strane regole del mondo subatomico — per risolvere questi enigmi più velocemente di quanto le macchine classiche potrebbero mai fare. Uno degli strumenti più promettenti per questo compito è un algoritmo chiamato Quantum Approximate Optimization Algorithm, o QAOA. Pensatelo come una ricerca guidata: il computer prepara uno stato quantistico, applica una serie di operazioni controllate da numeri specifici chiamati parametri, e poi misura il risultato per vedere quanto si sia avvicinato alla soluzione perfetta. Il problema è che, per ogni nuovo problema, il computer deve solitamente eseguire un processo lungo e lento per capire quali siano i numeri migliori da utilizzare. Questa fase di "sintonizzazione" consuma tempo e risorse, annullando spesso il vantaggio di velocità che la macchina quantistica avrebbe dovuto fornire.

I ricercatori Yaocheng Chen e Jiapei Zhuang hanno trovato un modo per superare questo collo di bottiglia per un tipo specifico di algoritmo quantistico progettato per gestire problemi pesati, dove le diverse connessioni tra gli elementi hanno intensità differenti. Hanno scoperto che le impostazioni ottimali per i controlli dell'algoritmo non sono casuali o uniche per ogni singolo problema. Al contrario, queste impostazioni seguono un modello prevedibile basato su due semplici fatti riguardanti il problema stesso: quanti collegamenti hanno gli elementi in media e quanto sono forti tali collegamenti. Studiando migliaia di diversi setup di problemi tramite simulazione, il team ha costruito un insieme di regole che possono prevedere le impostazioni ottimali per un nuovo problema guardando semplicemente alle sue statistiche di base. Ciò significa che un computer quantistico può ricevere un nuovo problema non ancora risolto e ricevere immediatamente le istruzioni corrette per iniziare la ricerca, senza dover passare del tempo a capire quali debbano essere quelle istruzioni.

Il team si è concentrato su una versione sofisticata dell'algoritmo standard nota come digitized counterdiabatic QAOA. Mentre la versione standard utilizza due tipi di operazioni per navigare tra le risposte possibili, questa versione potenziata aggiunge un terzo tipo di operazione progettata per impedire al sistema di incastrarsi o commettere errori durante la sua evoluzione. Questo passaggio extra rende l'algoritmo più potente ma anche più complesso, richiedendo la sintonizzazione di tre set di numeri per ogni strato del processo. I ricercatori hanno iniziato eseguendo massicce simulazioni offline su una vasta gamma di strutture di grafi — mappe matematiche di connessioni — che spaziano da semplici anelli a complessi network casuali. Hanno ottimizzato le impostazioni per ciascuno di questi migliaia di grafi per trovare le prestazioni assolute migliori.

Ciò che è emerso da questa montagna di dati è una sorprendente regolarità. Quando i ricercatori hanno regolato le dimensioni delle connessioni e il numero medio di collegamenti per elemento, le impostazioni ottimali per tutti i diversi grafi si sono raggruppate in un cluster compatto. Era come se i dettagli specifici di ogni grafo non importassero tanto quanto la scala complessiva del problema. Il team si è reso conto di poter descrivere le migliori impostazioni utilizzando una semplice formula che prende come input il numero medio di connessioni e la forza dei collegamenti. Questa formula agisce come una chiave universale: una volta conosciute le statistiche di base di un nuovo problema, è possibile inserirle e ottenere i numeri esatti necessari per eseguire il circuito quantistico. Il risultato è una prescrizione "congelata", un insieme fisso di regole che assegna istantaneamente i parametri corretti, saltando l'intero processo di ricerca.

Per testare se questa scorciatoia funzionasse davvero, i ricercatori hanno eseguito simulazioni su 1.050 diversi grafi di test che l'algoritmo non aveva mai visto prima. Hanno confrontato il loro approccio basato sulla formula con un metodo standard che utilizza un set di numeri fissi per tutti. In ogni caso, dai circuiti poco profondi con un solo strato di operazioni fino a quelli più profondi con quattro strati, il metodo basato sulla formula ha prodotto una probabilità media di campionamento della soluzione ottimale superiore rispetto all'approccio standard a valori fissi. A una profondità di quattro strati, la probabilità media della soluzione ottimale per il nuovo metodo ha raggiunto il 19,36%, rispetto al 13,11% dell'approccio standard a valori fissi. Questo vantaggio si è mantenuto costante attraverso diversi tipi di reti e diversi modi di assegnare la forza delle connessioni. I ricercatori hanno persino testato il metodo su un vero processore quantistico, l'IBM ibm_fez, utilizzando piccole reti uniformi. Sebbene il rumore nell'hardware reale abbia complicato i risultati ai livelli più profondi, il metodo basato sulla formula ha comunque mostrato un chiaro vantaggio al livello più superficiale, dimostrando che le regole derivate dalle simulazioni potevano tradursi in macchine fisiche.

Lo studio ha anche esplorato se queste impostazioni pre-calcolate potessero servire come buon punto di partenza per un ulteriore affinamento. In un esperimento separato, i ricercatori hanno preso le impostazioni fornite dalla loro formula e le hanno utilizzate per inizializzare una ricerca di ottimizzazione standard su un piccolo set di grafi. Hanno scoperto che iniziare con i numeri della formula permetteva alla ricerca di raggiungere una soluzione migliore molto più velocemente rispetto a un tentativo casuale. Infatti, l'inizio basato sulla formula ha ottenuto una qualità media della soluzione superiore a quella che una ricerca casuale avrebbe potuto raggiungere anche dopo 500 tentativi. Ciò suggerisce che la formula non sostituisce solo la ricerca; fornisce una piattaforma di lancio di alta qualità che rende più efficace qualsiasi successiva sintonizzazione fine.

Tuttavia, i ricercatori sono stati cauti nel segnalare dove il loro metodo potrebbe inciampare. Le regole sono state derivate da grafi con un numero moderato di connessioni, e quando hanno testato la formula su grafi con pochissimi collegamenti, le prestazioni sono diminuite, specialmente nei circuiti più profondi. Ciò indica che, sebbene le leggi di scala siano potenti, hanno dei limiti e non dovrebbero essere applicate ciecamente a ogni possibile tipo di rete. Inoltre, il confronto è stato effettuato strato per strato, il che significa che l'algoritmo potenziato utilizza più operazioni fisiche per passaggio rispetto allo standard. I ricercatori hanno ammesso che un confronto più equo dovrebbe tenere conto del numero totale di operazioni, una questione che rimane aperta per studi futuri.

In definitiva, questo lavoro dimostra che il comportamento di complessi algoritmi quantistici può essere domato comprendendo la semplice geometria dei problemi che risolvono. Riconoscendo che le migliori impostazioni dipendono dalla scala della rete piuttosto che dai suoi dettagli specifici, i ricercatori hanno trasformato un difficile problema di sintonizzazione caso per caso in un calcolo diretto. Questo spostamento permette ai computer quantistici di dedicare il loro prezioso tempo a risolvere problemi anziché imparare come risolverli, portando la promessa dell'ottimizzazione quantistica un passo più vicino alla realtà pratica. I risultati suggeriscono che, per una vasta gamma di problemi combinatori, la strada verso la risposta migliore non è un mistero da risolvere da zero ogni volta, ma un modello che può essere letto direttamente dalla struttura stessa del problema.