Realizing Unstructured PDE Forecasting on Superconducting Quantum Processors

Prevedere come i fluidi vorticano attorno allo scafo di una nave, come i sistemi meteorologici si evolvono su un continente o come le sostanze chimiche si mescolano in un reattore richiede la risoluzione di descrizioni matematiche complesse note come equazioni alle derivate parziali. Per decenni, gli scienziati si sono affidati a massicci supercomputer per scomporre questi problemi in piccoli pezzi gestibili, utilizzando spesso griglie irregolari che possono adattarsi alla forma dell'oggetto studiato. Sebbene questi metodi funzionino, sono incredibilmente costosi e lenti, spingendo al limite anche le macchine più potenti del mondo. Negli ultimi anni, i ricercatori hanno guardato ai computer quantistici, che utilizzano le strane regole della fisica subatomica per elaborare informazioni, sperando che possano un giorno risolvere questi problemi più velocemente. Tuttavia, gli attuali dispositivi quantistici sono ancora piccoli, rumorosi e faticano a funzionare abbastanza a lungo da gestire le complesse simulazioni del mondo reale necessarie per l'ingegneria e la scienza.

Un team di ricercatori ha dimostrato ora un nuovo modo per utilizzare queste prime macchine quantistiche per prevedere il comportamento di flussi fluidi complessi e non strutturati. Invece di cercare di risolvere le equazioni direttamente, il che è difficile sull'hardware odierno, hanno costruito un sistema che impara a prevedere lo stato futuro di un fluido osservando il suo passato. Il team ha utilizzato un computer quantistico per agire come un sofisticato estrattore di caratteristiche, un processo che identifica schemi nascosti nei dati senza dover essere addestrato sul problema specifico stesso. Hanno testato questo approccio su due scenari impegnativi: l'aria che scorre attorno a un cilindro e una reazione chimica che crea modelli vorticosi. Combinando la capacità di un computer classico di comprimere i dati con la capacità di un computer quantistico di trovare relazioni complesse, sono stati in grado di fare previsioni accurate su hardware quantistico reale, nonostante la memoria della macchina fosse molto più breve del tempo necessario per eseguire la simulazione.

Il nucleo del loro metodo si basa su una tecnica chiamata calcolo a serbatoio quantistico (quantum reservoir computing). Immaginate una stanza grande e complessa piena di echi; se pronunciate una parola, il modo in cui il suono rimbalza e svanisce nel tempo contiene una firma unica di quella parola. In questo esperimento, il computer quantistico funge da quella stanza. I ricercatori immettono i dati sullo stato attuale del fluido nel sistema quantistico, che poi evolve autonomamente secondo regole fisse. Non regolano le impostazioni della macchina quantistica per adattarle ai dati; invece, misurano semplicemente l'output dopo che la macchina ha elaborato l'input. Questo output serve come un ricco insieme di caratteristiche che un computer classico può utilizzare per prevedere cosa accadrà dopo. Poiché la macchina quantistica non viene addestrata, evita le difficoltà che spesso affliggono altri metodi quantistici, come rimanere bloccati in errori locali o richiedere milioni di tentativi per trovare una soluzione.

Un ostacolo principale nell'uso dei computer quantistici per lunghe simulazioni è che i bit quantistici, o qubit, perdono le loro informazioni molto rapidamente a causa del rumore e delle interferenze ambientali. Di solito, un calcolo deve finire prima che questa informazione svanisca, il che limita quanto lontano nel futuro un sistema possa prevedere. I ricercatori hanno risolto questo problema utilizzando un trucco intelligente basato su misurazioni parziali e reset. Hanno misurato solo la metà dei qubit del loro sistema e poi li hanno immediatamente resettati a uno stato iniziale, lasciando l'altra metà intoccata. Questo processo "rinfresca" delicatamente il sistema, permettendo ai qubit non misurati di mantenere una memoria sbiadente degli input passati. Questo meccanismo ha permesso al circuito quantistico di funzionare per una durata circa ventiquattro volte superiore alla durata naturale dei qubit, aggirando efficacemente il limite temporale dell'hardware e consentendo la previsione di eventi complessi e non lineari.

Per testare il loro sistema, il team ha utilizzato dati da una simulazione di aria che scorre accanto a un cilindro a una velocità in cui l'aria crea un modello ripetitivo di vortici. Hanno anche testato un sistema di reazione chimica noto come modello di Gray-Scott, che produce intricati modelli a spirale auto-organizzanti. In entrambi i casi, hanno prima utilizzato un computer classico per comprimere la massa enorme di dati che descrive i campi fluidi o chimici in una rappresentazione più piccola e semplice. Questi dati compressi sono stati poi immessi nel processore quantistico. La macchina quantistica ha elaborato l'informazione e ha passato i risultati a un computer classico, che ha utilizzato una formula matematica semplice per prevedere il passaggio successivo nella sequenza. Hanno ripetuto questo processo per prevedere il comportamento del sistema nel tempo, creando un ciclo chiuso in cui la previsione di un momento diventava l'input per il successivo.

I risultati hanno mostato che l'aggiunta del processore quantistico alla pipeline di previsione ha migliorato significativamente l'accuratezza. Rispetto a un metodo di previsione lineare standard che non utilizzava le caratteristiche quantistiche, il nuovo approccio ha ridotto l'errore nella previsione della velocità e della pressione del fluido tra il ventuno e il quarantatré per cento. Questo miglioramento è rimasto valido anche quando il sistema è stato eseguito su hardware quantistico reale proveniente da IBM, che contiene fino a cinquantadue qubit ed è soggetto a rumore reale. Infatti, i ricercatori hanno scoperto che il rumore nell'hardware non ha rovinato le previsioni; in alcuni casi, il rumore ha effettivamente aiutato il sistema a generalizzare meglio, agendo come un filtro naturale che ha impedito al modello di adattarsi eccessivamente (overfitting) ai dati di addestramento. Ciò suggerisce che la capacità del sistema quantistico di esplorare un vasto spazio di possibilità rimane utile anche quando la macchina è imperfetta.

Lo studio ha anche evidenziato i vantaggi pratici di questo approccio in termini di velocità e scalabilità. Sebbene il computer quantistico non fosse più veloce di un supercomputer classico nel risolvere l'intero problema della dinamica dei fluidi da zero, la parte specifica del calcolo eseguita dal processore quantistico è stata eseguita molto più velocemente di quanto potesse essere simulata su un computer classico. Per il sistema a cinquantadue qubit, l'hardware quantistico ha completato il compito in pochi minuti, mentre simulare lo stesso processo esattamente su un potente computer classico sarebbe stato impossibile a causa della quantità enorme di memoria richiesta. I ricercatori hanno osservato che questo non è ancora un sostituto dei supercomputer tradizionali, ma dimostra che le macchine quantistiche possono fornire contributi preziosi alle complesse attività di previsione. Dimostrando che un sistema quantistico può funzionare per una durata che supera di gran lunga la vita dei propri componenti e produrre comunque risultati accurati su problemi reali e non strutturati, il team ha aperto una nuova strada per l'uso della tecnologia quantistica nella simulazione scientifica.

Questo lavoro rappresenta la prima volta che un computer quantistico è stato utilizzato per prevedere il comportamento di un fluido su una griglia irregolare e non strutturata, un requisito comune nell'ingegneria che i precedenti metodi quantistici non potevano gestire. Segna anche la prima istanza di una previsione a ciclo chiuso, in cui il sistema quantistico prevede una sequenza di stati futuri basandosi sulle proprie previsioni precedenti, il tutto mentre opera su hardware rumoroso. Il successo dell'esperimento suggerisce che il futuro del calcolo quantistico potrebbe non risiedere nella costruzione di macchine perfette e prive di errori, ma nel progettare sistemi in grado di sfruttare la potenza di grandi spazi quantistici non addestrati per trovare schemi che i computer classici potrebbero perdere. Man mano che l'hardware quantistico cresce in dimensioni e capacità, metodi come questo potrebbero eventualmente aiutare scienziati e ingegneri ad affrontare problemi attualmente troppo costosi o troppo lenti da risolvere, dalla progettazione di velivoli più efficienti alla previsione di eventi meteorologici estremi.