Leaving Quantum Bias on the Table: Pushforwards as a Path to Quantum Advantage in Constrained Optimization

Nel mondo dell'informatica moderna, esiste una lotta persistente per risolvere problemi troppo complessi per le macchine standard ma troppo rigidi per gli strumenti più potenti e nuovi. Questi sono noti come problemi di ottimizzazione vincolata, che compaiono in tutto, dalla pianificazione dei percorsi di consegna alla programmazione dei voli aerei. L'obiettivo è trovare la singola migliore disposizione di molti componenti in movimento, ma esistono regole rigide che devono essere seguite; una soluzione che risparmia tempo ma infrange una regola è inutile. Recentemente, gli scienziati si sono rivolti ai computer quantistici, che utilizzano le strane leggi della fisica per esplorare molte possibilità contemporaneamente. Tuttavia, queste macchine sono attualmente rumorose e imperfette. Spesso producono risposte che sembrano promettenti ma non rispettano le regole rigide del problema, lasciando i ricercatori con un flusso di dati inutilizzabili. La sfida è stata come dare un senso a questi output difettosi senza scartare i preziosi schemi nascosti al loro interno.

Un team di ricercatori ha sviluppato un nuovo modo per colmare questo divario, trasformando l'output grezzo e disordinato di un computer quantistico in un flusso affidabile di soluzioni valide. Invece di cercare di costringere la macchina quantistica a produrre direttamente una risposta perfetta, trattano l'output della macchina come un punto di partenza per un secondo passaggio classico. Immaginate un computer quantistico come un arciere esperto ma leggermente goffo che scaglia frecce verso un bersaglio. Spesso le frecce atterrano appena fuori dal centro, mancando il bersaglio ma mostrando comunque una direzione chiara verso di esso. Il metodo dei ricercatori consiste nel prendere ogni freccia che atterra nelle vicinanze e spingerla delicatamente verso il centro del bersaglio. Questa "spinta" è una regola matematica fissa che ripara qualsiasi errore nel percorso della freccia, trasformando un quasi-colpo in un colpo perfetto. Applicando questa regola di riparazione a ogni singolo colpo, il team ha scoperto che la naturale tendenza del computer quantistico a raggruppare le sue frecce vicino alle migliori soluzioni diventa abbastanza potente da trovare la risposta ottimale con molti meno tentativi di quanto precedentemente ritenuto possibile.

Il nucleo di questa scoperta risiede in un concetto chiamato "pushforward", che descrive come una distribuzione di probabilità si muove quando ogni singolo esito viene trasformato da una regola. Nel contesto del loro lavoro, i ricercatori hanno dimostrato che quando un computer quantistico genera una nuvola di possibili risposte, molte delle quali non valide, un processo di riparazione classico può raccogliere tutti gli elementi non validi che sono vicini a una buona soluzione e mapparli su quella buona soluzione. Questo amplia efficacementmente l'area del bersaglio. Invece di aver bisogno che il computer quantistico colpisca una configurazione specifica perfetta, deve solo colpire una delle molte configurazioni difettose che possono essere facilmente corrette in quella perfetta. Questo cambiamento cambia completamente le regole del gioco. Significa che il computer quantistico non ha bisogno di essere così preciso o di eseguire calcoli così profondi per avere successo, perché il passaggio di riparazione classico svolge il lavoro pesante di raccogliere tutti i tentativi dispersi e quasi riusciti e di consolidarli in un unico risultato valido.

Per testare questa idea, il team si è concentrato sul problema del commesso viaggiatore, un classico enigma in cui un viaggiatore deve visitare un elenco di città esattamente una volta e tornare a casa percorrendo la distanza più breve possibile. Hanno simulato questo scenario utilizzando un algoritmo quantistico progettato per rispettare la struttura di base del problema, come garantire che ogni città sia visitata una sola volta, pur permettendo errori nella disposizione finale. Quando hanno applicato il loro metodo di riparazione ai risultati, hanno scoperto che il computer quantistico stava concentrando la sua massa di probabilità su gruppi specifici di risposte errate che potevano essere corrette nella migliore rotta. Nelle simulazioni per un problema che coinvolge dieci città, il metodo quantistico riparato ha trovato la soluzione ottimale in circa mille tentativi. Al contrario, il metodo originale senza questo passaggio di riparazione richiedeva un milione di tentativi per ottenere lo stesso risultato. Questa massiccia riduzione del numero di tentativi necessari dimostra che il computer quantistico stava effettivamente trattenendo informazioni utili sulla migliore soluzione, anche quando l'output grezzo era tecnicamente errato.

I ricercatori hanno anche testato il loro metodo su un vero processore quantistico, una macchina da 127 qubit costruita da IBM, per vedere come si comportasse contro il rumore e gli errori dell'hardware reale. Hanno eseguito gli stessi problemi del commesso viaggiatore su questo dispositivo fisico, che è molto più rumoroso di una simulazione perfetta. Anche con le imperfezioni della macchina reale, il processo di riparazione ha convertito con successo gli output spesso caotici in tour validi. Per i casi di test più piccoli, i risultati riparati corrispondevano alle migliori soluzioni note. Per i casi più grandi e difficili, le soluzioni riparate erano in realtà migliori delle risposte di riferimento fornite dalle librerie software standard. Ciò ha confermato che il metodo funziona non solo in teoria o in simulazione, ma anche sull'hardware imperfetto disponibile oggi. La scoperta chiave è stata che il computer quantistico non stava generando rumore casuale; stava generando una distribuzione distorta dove gli errori più utili e riparabili erano raggruppati insieme, e il processo di riparazione è stato in grado di sfruttare questa distorsione per trovare soluzioni di alta qualità.

Questo lavoro suggerisce un nuovo principio di progettazione per come utilizzeremo i computer quantistici nel prossimo futuro. Invece di aspettare che le macchine diventino abbastanza perfette da risolvere direttamente problemi difficili, possiamo costruire sistemi ibridi in cui la parte quantistica svolge il lavoro pesante di esplorazione dello spazio delle soluzioni, e una parte classica agisce come filtro e meccanismo di riparazione. Il compito del computer quantistico è identificare le regioni dello spazio dei problemi che è più probabile contengano la risposta, anche se non riesce a individuare l'esatta risposta stessa. La regola di riparazione classica prende poi quelle regioni promettenti ed estrae la migliore possibile soluzione da esse. Questo approccio separa il vantaggio quantistico, che è la capacità di concentrare la probabilità su aree utili, dal vantaggio classico, che è la capacità di imporre regole rigide e correggere gli errori. Combinando queste forze, i ricercatori hanno dimostrato che possiamo ottenere miglioramenti significativi nella risoluzione di problemi complessi oggi, utilizzando l'hardware quantistico imperfetto che già possediamo.

Lo studio ha inoltre evidenziato come il rumore influenzi questo processo. Quando il computer quantistico è troppo rumoroso, perde informazioni fuori dallo spazio delle soluzioni valide, inviando dati in aree che non possono essere riparate. I ricercatori hanno scoperto che all'aumentare di questa perdita, il vantaggio del metodo di riparazione diminuisce, trasformando infine il processo in una ricerca casuale. Tuttavia, per i livelli di rumore presenti nelle macchine attuali, il metodo è rimasto altamente efficace. Il team ha derivato limiti matematici che prevedono esattamente quanto il processo di riparazione possa aiutare, mostrando che può ridurre la profondità del circuito quantistico richiesto per trovare una soluzione. Questo è un dettaglio cruciale perché i circuiti più profondi sono più soggetti a errori. Consentendo l'uso di circuiti più superficiali, il metodo di riparazione rende possibile eseguire problemi più complessi sull'hardware esistente senza che i risultati vengano distrutti dal rumore.

In definitiva, il documento stabilisce che il valore di un campionatore quantistico nell'ottimizzazione vincolata non risiede solo nelle risposte perfette che produce, ma nella struttura dei suoi errori. Il computer quantistico crea un panorama in cui le risposte "sbagliate" non sono disperse casualmente, ma sono raggruppate in modi specifici che puntano verso la risposta corretta. Riconoscendo e utilizzando questa struttura attraverso una regola di riparazione deterministica, possiamo sbloccare un livello di prestazioni che né il computer quantistico né il computer classico potrebbero raggiungere da soli. I risultati sia dalle simulazioni che dagli esperimenti sull'hardware reale forniscono una forte prova che questo approccio è una via percorribile per il vantaggio quantistico nell'attuale era di dispositivi quantistici a scala intermedia e rumorosi. Trasforma il problema di gestire output non fattibili da una modalità di fallimento in una caratteristica, permettendo ai ricercatori di contare sul computer quantistico per fare ciò che sa fare meglio: trovare la strada, anche se ha bisogno di un piccolo aiuto per restare sulla carreggiata.