Delta-Corrected Shot Reduction for Bypassing Optimization Plateaus in Variational Quantum Eigensolvers

Nella ricerca di una comprensione dei mattoni fondamentali della materia, gli scienziati si stanno rivolgendo a un nuovo tipo di computer che opera secondo le strane regole della meccanica quantistica. Queste macchine, attualmente nelle loro fasi iniziali e rumorose di sviluppo, promettono di simulare molecole complesse con una velocità e una precisione che i computer classici non possono eguagliare. Uno degli strumenti più importanti per questo compito è un metodo chiamato eigensolver quantistico variazionale. Pensate a questo metodo come a uno sforzo collaborativo tra un processore quantistico e un computer classico. Il processore quantistico prepara uno stato della materia e lo misura, mentre il computer classico analizza i risultati e suggerisce come regolare la configurazione quantistica per ottenere una risposta migliore. Ripetono questo ciclo, sperando di trovare lo stato di energia più basso di una molecola, che ne rivela la forma più stabile. Tuttavia, questo processo affronta un ostacolo enorme: per ottenere un'immagine chiara dell'energia, il computer quantistico deve essere interrogato per eseguire la stessa misurazione migliaia, o persino milioni, di volte. Questa ripetizione è necessaria perché l'atto di misurare un sistema quantistico è intrinsecamente casuale, e solo mediando molti risultati gli scienziati possono vedere il vero segnale. Man mano che le molecole studiate diventano più grandi, il numero di misurazioni richieste cresce così tanto da diventare il principale collo di bottiglia, rallentando l'intero processo e rendendo spesso impossibili le simulazioni pratiche.

I ricercatori hanno cercato di risolvere questo problema essendo più intelligenti su come spendere il proprio budget di misurazione. Invece di misurare ogni parte del sistema in modo uguale, stimano quali parti siano più rumorose e allocano lì più misurazioni, misurando meno spesso le parti più silenziose. Un approccio recente noto come riduzione dei colpi preservata dalla varianza ha tentato di fare questo, effettuando un piccolo set preliminare di misurazioni per indovinare i livelli di rumore e poi scalando l'esperimento di conseguenza. Tuttavia, questo metodo ha un difetto nascosto. Poiché la stima preliminare si basa su un numero limitato di campioni, non è perfettamente accurata. Quando il computer usa questa stima imperfetta per decidere quanti campioni prendere, un errore piccolo ma sistematico si insinua. Questo errore fa sì che il processo di ottimizzazione si blocchi, lasciando il computer intrappolato in un ciclo in cui non può migliorare la sua risposta, anche se ha ancora molte risorse a disposizione. È come un navigatore che cerca di attraversare un deserto usando una mappa leggermente imprecisa; potrebbe continuare a camminare in cerchio, convinto di fare progressi, mentre in realtà non va da nessuna parte.

Per rompere questo stallo, un team di fisici ha introdotto un nuovo framework chiamato riduzione dei colpi corretta con delta (delta-corrected shot reduction). Invece di cercare di indovinare perfettamente i livelli di rumore o di affidarsi al tentativi ed errori, questo nuovo metodo utilizza una tecnica matematica rigorosa per calcolare e rimuovere l'errore specifico causato dal numero limitato di misurazioni preliminari. I ricercatori hanno derivato un insieme di termini di correzione che tengono conto delle sottili peculiarità statistiche che sorgono quando si lavora con piccoli campioni di dati. Applicando queste correzioni, l'algoritmo può determinare il numero ottimale di misurazioni per ogni parte del sistema con molta più precisione. Nel loro lavoro, il team ha testato questo approccio su simulazioni di molecole di idrogeno e idruro di litio, introducendo vari livelli di rumore per mimare le imperfezioni dell'hardware quantistico reale. Hanno scoperto che il nuovo metodo supera costantemente le migliori strategie precedenti. In scenari in cui il vecchio metodo si sarebbe bloccato per decine di iterazioni, il metodo corretto ha continuato a procedere fluidamente, raggiungendo l'energia target molto più velocemente.

I risultati di queste simulazioni mostrano che il nuovo approccio non solo accelera la convergenza verso la risposta corretta, ma risparmia anche un numero significativo di misurazioni. Ad esempio, in un test con una quantità moderata di dati, la versione con correzione del quarto ordine del nuovo metodo ha raggiunto l'accuratezza desiderata utilizzando 12.965 misurazioni in meno rispetto al metodo non corretto. In condizioni più difficili con gravi limitazioni dei dati, il miglioramento è stato ancora più drammatico, con il metodo corretto che ha superato lunghi periodi di stagnazione che intrappolavano gli algoritmi più vecchi. I ricercatori hanno anche scoperto che, sebbene aggiungere più livelli di correzione aiuti generalmente, esiste un limite. Se il numero iniziale di misurazioni è troppo piccolo, le correzioni più complesse possono effettivamente amplificare il rumore invece di ridurlo. In questi casi estremi, una correzione più semplice del terzo ordine si è dimostrata la scelta più robusta e affidabile. Questa scoperta suggerisce che la migliore strategia dipende dai vincoli specifici dell'esperimento, ma il principio fondamentale rimane lo stesso: eliminando matematicamente il bias introdotto dai dati limitati, il processo di ottimizzazione diventa stabile ed efficiente.

Questo lavoro stabilisce un nuovo standard per il modo in cui i computer quantistici dovrebbero gestire le loro risorse di misurazione. Dimostra che l'instabilità spesso attribuita al rumore dell'hardware è frequentemente causata dai limiti statistici della strategia di misurazione stessa. Correggendo queste limitazioni in modo analitico, i ricercatori hanno creato un framework che è sia matematicamente solido che praticamente efficace. Il metodo non richiede ulteriori dati o un addestramento complesso; semplicemente perfeziona il modo in cui i dati esistenti vengono utilizzati. Questo lo rende uno strumento potente per l'attuale generazione di computer quantistici, che sono potenti ma ancora vincolati dalla pura quantità di misurazioni che devono eseguire. Mentre queste macchine continuano a evolversi, avere un modo affidabile per allocare le risorse di misurazione sarà essenziale per sbloccare il pieno potenziale della simulazione quantistica, permettendo agli scienziati di esplorare la chimica della vita e dei materiali con una chiarezza che prima era fuori portata.