QAOA Inside ADMM: Subproblem Wins Do Not Become Decomposition Wins at Matched Budgets

Nel mondo del processo decisionale complesso, i computer spesso affrontano problemi con milioni di possibili risposte, dove trovare l'unica migliore è come cercare un ago in un pagliaio che cambia forma continuamente. Per affrontare questo, gli scienziati utilizzano una strategia chiamata decomposizione, che scompone un problema massiccio e intricato in pezzi più piccoli e gestibili che possono essere risolti separatamente. Un metodo popolare per farlo è chiamato metodo degli moltiplicatori della direzione alternata, o ADMM. Esso funziona alternando la risoluzione delle parti continue di un problema e delle parti discrete, di tipo on-or-off, scambiando informazioni finché i pezzi non si incastrano perfettamente. Per anni, i ricercatori si sono chiesti se i computer quantistici, che operano secondo le strane regole della meccanica quantistica, potessero risolvere questi pezzi discreti più velocemente dei computer classici. Il principale candidato per questo compito è un algoritmo noto come algoritmo di ottimizzazione approssimata quantistica, o QAOA, progettato per trovare buone soluzioni esplorando molte possibilità contemporaneamente. La grande domanda è stata se questo approccio quantistico valga effettivamente il costo e lo sforzo rispetto ai metodi classici molto forti che già possediamo.

Un team di ricercatori si è proposto di rispondere a questo quesito sottoponendo l'algoritmo quantistico a un test rigoroso all'interno del framework ADMM. Non si sono limitati a far girare il computer quantistico sperando nel meglio; hanno costruito un confronto equo in cui sia i solver quantistici che quelli classici ricevevano esattamente lo stesso sforzo computazionale, o "budget", per risolvere i pezzi più piccoli del puzzle. Lo studio si è concentrato su un tipo specifico di problema in cui le variabili sono binarie, ovvero possono essere solo zero o uno. I ricercatori hanno eseguito simulazioni su una versione ideale e priva di rumore di un computer quantistico a dodici qubit per vedere come il solver quantistico si confrontasse con una serie di solver classici, inclusi la ricerca casuale, l'annealing simulato e tecniche più avanzate come la ricerca tabu. Hanno testato il sistema su due diversi tipi di famiglie di problemi: uno relativamente fluido e facile, e un altro accidentato e difficile, progettato per imitare i paesaggi complessi presenti nelle applicazioni del mondo reale.

La scoperta più sorprendente è derivata da come venivano conteggiati i risultati. Nel mondo dell'informatica quantistica, una singola esecuzione di un algoritmo produce un flusso di potenziali risposte, o bitstring, e l'algoritmo trascorre la maggior parte del tempo regolando le proprie impostazioni interne per migliorare queste risposte. I ricercatori hanno scoperto che il verdetto finale dipendeva interamente da quale risposta veniva scelta per rappresentare l'esecuzione. Se i ricercatori avessero attribuito al computer quantistico solo il suo ultimo set di risposte, come avviene comunemente in alcuni tutorial standard di software, il solver quantistico si sarebbe comportato peggio di una semplice ricerca casuale. Avrebbe fallito nel trovare la soluzione migliore più spesso di un computer che tirava semplicemente a indovinare. Tuttavia, quando i ricercatori hanno attribuito al solver quantistico la sua singola migliore risposta trovata durante l'intera esecuzione, la storia è cambiata completamente. Sotto questo punteggio "best-sample" (miglior campione), il solver quantistico ha superato la ricerca casuale e ha persino battuto diversi metodi classici sofisticati sui problemi difficili e accidentati a livello di sottoproblema. Ciò ha rivelato che il fallimento percepito dell'approccio quantistico era spesso un artefatto del modo in cui i dati venivano valutati, non un fallimento della fisica stessa.

Quando i ricercatori hanno guardato più a fondo nelle prestazioni di una versione specifica dell'algoritmo quantistico che utilizza impostazioni pre-addestrate, note come angoli trasferiti (transferred angles), hanno scoperto che poteva risolvere i sottoproblemi difficili con una precisione notevole. Sulla famiglia di problemi accidentati, questo approccio quantistico ha trovato la soluzione esatta più spesso di metodi di ricerca locale calibrati (97,4% contro 67,4% per le più forti euristiche locali), sebbene non abbia superato una tecnica classica basata sulla programmazione semidefinita (SDP+LS). Tuttavia, questo vantaggio non si è trasferito al risultato finale dell'intero problema. Lo studio ha scoperto che nessuna famiglia ha dato al QAOA un risultato finale ADMM migliore del miglior solver classico e della relativa penalità. I ricercatori hanno calcolato che, per la stessa dimensione del problema, l'approccio quantistico ha impiegato circa cinquanta volte più tempo in secondi rispetto a un metodo classico chiamato ricerca tabu. Inoltre, le prestazioni del metodo quantistico non sono scalate bene come quelle dei metodi classici; man mano che i problemi diventavano più grandi, il vantaggio del solver quantistico nel numero di tentativi è scomparso, e si è posizionato al di sotto di una tecnica classica basata sulla programmazione semidefinita.

Lo studio ha anche svelato un difetto sottile ma critico nel modo in cui il metodo di decomposizione stesso funziona. I ricercatori hanno scoperto che, per certi tipi di problemi, il modo in cui i pezzi vengono riassemblati dipende fortemente da un parametro chiamato penalità. Quando questa penalità era impostata su un valore specifico, il metodo di decomposizione risolveva essenzialmente l'intero problema direttamente, rendendo irrilevante la qualità del sottosolver. Ma quando la penalità era più alta, il metodo a volte rimaneva bloccato su una soluzione sub-ottimale, rifiutandosi di procedere anche se ne esisteva una migliore. In questi casi, la natura "rumorosa" del solver quantistico, che continuava a cambiare le proprie risposte, ha effettivamente aiutato il sistema a sfuggire a queste trappole e a trovare una soluzione complessiva migliore rispetto a un solver perfetto ed esatto che sarebbe rimasto bloccato. Ciò ha suggerito che il successo del solver quantistico non era sempre dovuto alla sua natura quantistica, ma talvolta perché si comportava come una ricerca casuale, che è un modo noto per sfuggire alle trappole locali in paesaggi di ottimizzazione difficili.

In definitiva, l'articolo conclude che, sebbene gli algoritmi quantistici mostrino promesse nel risolvere specifici sottoproblemi con alta precisione, non hanno ancora dimostrato un chiaro vantaggio rispetto ai migliori metodi classici quando viene considerato l'intero sistema. Il solver quantistico non ha fornito un risultato finale per il problema complessivo migliore di quanto potesse ottenere il miglior solver classico con le impostazioni corrette. Lo studio evidenzia che, affinché l'informatica quantistica sia veramente utile in questi sistemi ibridi, non deve solo trovare buone risposte, ma deve farlo in meno tempo e con una migliore scalabilità rispetto alle alternative classiche. I ricercatori hanno scoperto che, sebbene l'approccio quantistico potesse eguagliare i solver classici in termini di accuratezza in condizioni specifiche, era significativamente più lento e non scalava in modo altrettanto efficiente. Il lavoro serve come una necessaria dose di realtà, mostrando che la strada verso il vantaggio quantistico non consiste solo nel costruire un migliore hardware quantistico, ma nel progettare attentamente il modo in cui queste macchine vengono utilizzate all'interno di strutture classiche più ampie.